中风后的空间忽视和谵妄

谵妄评估和预防对住院治疗结果和医疗保健费用具有巨大影响。 谵妄是一种多因素综合症，其特征是认知功能急剧下降，影响意识、思维、注意力和记忆力。 中风幸存者占美国 65 岁及以上人口的 17%（CDC，2012 年），他们面临发生谵妄的主要风险（右半球中风的发病率高达 50%）。 此外，大约 50% 的右半球中风患者经历了空间忽视，影响了安全和康复。 本研究调查了一种潜在的神经机制，可以解释右半球中风后谵妄和空间忽视的高发率。 研究假设是，用于唤醒和注意的大脑网络，由中脑网状结构的上升投射和整合右侧主导的背侧和腹侧皮质和边缘成分组成，可能在这些疾病中受到影响。 该研究评估了右半球中风幸存者的磁共振成像 (MRI) 和行为数据。 据预测，用于唤醒和注意力的大脑网络活动和结构完整性受损将与谵妄和空间忽视的行为迹象相关。 该研究将在两个地点进行，招募急性 (n=45) 和亚急性 (n=30) 患者样本。 这项研究的结果有可能通过提供中风后谵妄的关键生物标志物和行为特征来影响中风护理。 这可能会提醒临床医生对医院发病率高和丧失独立性的患者进行预防性护理和有针对性的干预。

研究假设 假设 1：假设损伤缺陷分析将揭示在患有谵妄和/或空间忽视的患者中，注意力、定向和觉醒网络中的右脑区域受到中风损伤的影响。

假设 2：因为假设这两种疾病都源于共同大脑网络的功能障碍，所以预计空间忽视严重程度将成为谵妄严重程度的预测因子，控制相对损伤大小和中风严重程度 假设 3：空间忽视和谵妄严重程度将与注意力、定向和唤醒网络中大脑区域之间的功能连接相关。

假设 4：根据先前对手术后谵妄患者、忽视和昏迷患者的研究证据，假设大脑区域之间白质连接的完整性与注意力、定向和觉醒的皮质和皮质下网络成反比随着谵妄和空间忽视的严重程度。

计划分析：

假设一：

为了检查受中风后精神错乱影响的关键网络组件，该研究将检查参与者的结构扫描。 研究中记录的结构扫描将包括 30 名亚急性中风参与者的 T1 加权和 T2 加权 FLAIR 图像。 此外，还将对 45 名急性中风参与者进行临床扫描，总共进行 75 次脑部扫描。 结构性病变将使用 MRIcron 包中的半自动病变映射进行映射，其中每个脑体素将以二元方式评分为受损或未受损。 三维损伤掩模将被输入到在 Matlab 中实现的 VLSM 2 软件（体素损伤症状映射）。 对于伪连续结果，例如行为注意力不集中测试 (BI​​T) 和混淆评估方法-严重性 (CAM-S) 分数，将计算 t 分数，测试给定脑体素中的病变是否预测更高或更低的严重性分数. 对于二进制结果，例如谵妄诊断，将针对每个体素计算 Leibermeister 测量值，以测试给定的受损体素是否预测所有参与者的谵妄与无谵妄。 分析将连续遍历大脑体素并在每个体素中进行测试。 将对体素进行阈值处理，以便仅考虑在至少 5 名患者中同时出现的体素。 在典型的病变研究中，这将导致参与者考虑数百个体素。 使用 p<.05 的错误发现率对最终结果进行多重比较校正。

假设2：

该假设旨在确定中风后谵妄的存在和严重程度与空间忽视之间是否存在任何关联。 为检验这一假设，将使用 BIT 分数作为预测因子并使用 CAM 分数作为结果进行回归分析。 该分析将控制 NIH 卒中量表评分和损伤大小以及年龄。 在两组分析中，原始评估分数都将转换为比例统一性百分比。

假设 3：

将进行基于种子的功能连通性分析，测试选定大脑区域的时间进程之间的相关性作为 CAM-S 和 BIT 分数的函数。 16 个感兴趣区域 (ROI) 将用于在唤醒和注意力网络中进行此分析。 还将进行全脑 ROI 到体素分析，以捕捉与谵妄和忽视严重程度的任何意外关联。 这种分析和数据预处理将使用 CONN 工具箱完成，CONN 工具箱是一种基于 Matlab 的跨平台软件，用于计算、显示和分析 fMRI 中的功能连接。 首先，将在所有连续的脑卷和系列的第 1 卷之间执行重新对齐。 将应用切片时间校正来解释脑切片交错采集中的时间差异。 将执行结构分割以创建白质和脑脊液 (CSF) 的掩码。 这些掩码将用于估计代表生理噪声的滋扰回归量。 功能扫描将标准化（对齐）到结构扫描和图谱模板。 这样做是为了进行组比较，并允许使用解剖图谱定义 ROI。 功能图像将使用 6mm 半径的内核进行平滑处理。 接下来，将从数据中回归运动异常值（大运动）、连续运动（滚动、俯仰和偏航）和生理噪声的贡献。 最后，ROI-to-ROI 和 ROI-to-voxel 连接将在每次​​脑部扫描中执行，以允许进行二阶比较（即，谵妄和忽视严重性分数对功能连接的贡献，控制协变量）。

假设 4：

将使用文献中先验定义的 16 个 ROI 进行概率纤维束成像分析。 将使用 FSL 分析套件（例如 Probtrax、FDT 工具箱）中提供的扩散张量束成像工具对 DTI 数据进行分析。 预计该分析将识别连接注意力和唤醒网络中区域的区域。 它将估计体素方面的分数各向异性 (FA) 作为纤维完整性的量度。 FA 是一个介于 0 和 1 之间的标量值，衡量水分子的主要扩散方向。 FA 为 0 表示完美的球体，即均匀扩散。 相邻体素具有相同扩散方向相干性的地方被概率地分配给道位置。 然后对这些值进行平均以获得每个区域的全局 FA。 谵妄和忽视严重程度评分将根据 ANCOVA 中的 FA 值进行回归（考虑临床/人口统计学/生理学/患者特征）。 如果基于 ROI 的方法不成功，将考虑全脑 FA 图，包括感兴趣的大脑网络以外的区域，以与谵妄和忽视严重程度评分相关联。

样本量确定。

进行了一项试点调查以估计影响大小。 19 名右脑卒中患者（12 名女性，8 名白人，8 名非裔美国人，3 名亚裔），年龄 60 岁（标准差 = 17 岁），包括 1 名慢性（卒中后> 6 个月）和 18 名亚急性（< 1 个月）中风后）参加了试点研究。 对于谵妄和忽视严重程度之间的关联，获得了 0.26 的 R 平方值。 这给出了 0.35 的效果大小 (Cohen's f2)。 假设样本量为 75 名患者且 alpha 为 0.05，使用此效应量，观察效应的功效超过 99% （假设二）

为了估计我们的损伤缺陷分析（假设 1）的功效，使用 15%、30% 和 50% 的参与者样本比例模拟数据，其中同一体素将被损伤。 应用 Leibermeister 方法来计算 p 值，以检验体素病变状态与谵妄状态之间没有关联的零假设。 对于 75 名参与者（急性 + 亚急性样本），假设至少 30% 的样本具有相同的病变，并且病变在 40-100 体素之间，形成一个紧密的簇，则检测效果的能力超过 80%。 根据过去的研究，这些都是合理的假设。

在试点研究中，将包含回归量谵妄或忽视严重程度评分的一般线性模型应用于每个参与者的 16X16 ROI 连接度量矩阵。 对于 BIT 测量，主体间效应的最终 t 分数在 4.61 到 7.88 的范围内，对于 CAM-S，在 7.07 到 9.31 的范围内。 这些 t 分数对应于较大的效果大小。 使用 0.35 的 Cohen's f （大效应）估计线性多元回归的功效，有 4 个预测变量，α 水平为 0.05， 和双尾测试，估计有 87% 的功效观察到这种效果，给定 30 名参与者的样本（急性样本）（假设 3）。

之前的一项研究报告称丘脑分数各向异性 (FA) 为 0.315 (.026) 与 .333 相比精神错乱 (.023) 在非神志不清的患者中。 这些值对应于较大的 Cohen's d 效应大小。 假设将观察到类似范围内的 FA 值，则可以使用线性多元回归模型检测这些影响。

根据平均患者流量，估计每个站点每月将筛选多达 20 名患者的研究资格。 根据试点样本的招募率，估计将同意 10-20% 的筛选样本。 考虑到 25-40% 的保守辍学率估计，拟议的研究样本很可能会被招募。 考虑到患者流失，该研究将多招募 5 名患者作为目标样本。

右脑中风后的谵妄和忽视率估计约为 50%。 因此，预计大约 50 名研究样本会出现忽视、精神错乱或两者兼而有之。 除了使用谵妄/忽视状态作为二分变量外，还将使用每个变量的准连续严重程度评分，这将增加检测这两种疾病与脑损伤位置之间关联的能力。