前庭康复的虚拟环境

系统：测试平台以每秒 120 帧的速度运行，使用 HTC Vive 或 Oculus Rift，在 Windows 10 笔记本电脑上运行，配备 8GB RAM、Intel i7-7820HK CPU、Nvidia GTX 1080 Max-Q GPU 和 Bose SoundTrue 耳罩式耳机 II . 该软件是使用 C# 和 Unity3D 2018.2.0f1（64 位）（Unity Technologies，旧金山，加利福尼亚州）开发的。 该系统使用 SteamVR。 Oculus Rift 和 HTC Vive 均以 90 Hz 刷新率、110 度视野和每只眼睛 1080x1200 分辨率的高清视频运行。 地铁站、机场航站楼和地铁列车的图形在 Maya 中建模并导入到 Unity3D。 其余 3D 对象在 Unity3D 中建模。 地铁站模型和机场模型复制了纽约市真实的地铁站和美国真实的机场航站楼。 系统中的内容完全可由用户界面控制（见图 3）。 三维声音是使用 Wwise 中间件和 Google Resonance 音频插件实现的。 使用头部跟踪数据，根据听者头部的位置调制音频。 该技术允许在听众周围的各个方向创建丰富的音景。 系统中使用的音频资产分为两大类：声音对象和环境。 声音对象附加到场景中的视觉对象，并且它们的位置相应地改变。 声音包括：脚步声、火车声、广播声、汽车声、球声、飞机声等。氛围是根据纽约不同地点的原始录音创建的。 这些包括不同的背景声音，即人群聊天的声音、远处的火车、风、鸟、交通和每个空间的一般房间音调。 系统中使用的所有声音都被分配到三个不同的强度级别，这与音景的复杂性增加有关。

数据收集：第一次评估会议将包括一个完善的姿势控制评估，研究人员已将其转化为 HMD 范例并添加了一个听觉层。 该协议将包括以下所有可能的组合：2 级视觉扰动（静态星；星在 AP 方向移动，0.2 赫兹，0.032 米）； 2 级听觉扰动（安静的房间；0.3Hz 时从 0 到 1 dB 循环的白噪声）和 2 级支撑表面（地板；记忆泡沫）。 每个场景将有 60 秒长，有 8 种组合，每种组合将重复 3 次，总共 24 次试验。 3 个频率段的摇摆功率谱密度 (PSD) 将来自实验室测力板，并将用于探索感觉统合机制。 参与者还将完成 FGA（主要）、VVAS（主要）、ABC（描述性）和 DHI（描述性）。

参与者将完成基线评估两次，间隔一周，以确保措施的稳定性。 在基线评估之后，参与者将被随机分配到 C.S.I.实验组 (EG, n = 14) 或标准康复对照组 (CG, n = 14)。 参与者将在第二次评估后的一周内开始干预计划。 地点将是西奈山纽约眼耳医院的前庭康复诊所。

两组：符合条件的参与者在考虑参与研究时将接受患者教育和基本的家庭锻炼计划（步态、平衡、闭眼锻炼）。

计划剂量：8 周，每周 1 次访问，30 分钟长 EG：C.S.I. 的渐进式沉浸式训练。应用程序;场景：从对患者最重要的开始，最终完成所有持续时间：从 60 秒开始，随着时间的推移增加到每个场景 3 分钟复杂性：从最小开始，逐渐增加到最复杂任务：站在不同的支持基础（BOS ), 头部转动（速度、平面的进步）；踏步、转弯 CG：渐进式步态、凝视稳定性和平衡练习。 步态：走路时转头，随着头部运动的范围、速度和平面进步；行走 BOS 的变化：宽、正常、串联 凝视：在左右/上下移动头部时专注于目标。 随着速度、持续时间、繁忙的背景、站立到行走的进步。

平衡：站立平衡任务、BOS 进展（从宽到窄到串联）、支撑面、闭眼、持续时间、转头。

Both Groups Progression / Regression 规则：最高级别的挑战，可以完成 60 秒且不失去平衡（LOB）；根据模拟疾病问卷在临床上不超过中度症状；如果症状在训练后 2 小时内持续存在，请在下次降低强度。 如果症状立即改善，请以相同的强度和持续时间重复该任务。

两组的家庭计划：8 周，每周 6 次，每天两次，时长 10 分钟，最高级别的安全挑战（无 LOB，无症状增加）每项任务 60 秒家庭 EG：步态和平衡练习，禁止闭眼练习 Home CG：步态、凝视稳定性和平衡练习，包括闭眼练习

将在第 8 次干预会议结束后一周内进行与基线评估相同的后评估。

样本量：对于目标 1，研究人员将招募 28 名患者和 28 名年龄和性别匹配的对照。 对于目标 2 和 3，28 名患者将被随机分为实验组 (N=14) 和对照组 (N=14)。 假设干预过程中约有 20% 的人员流失，预计每个干预组将有 11-12 名参与者。 鉴于我们的招聘历史，这个数字对于 12 个月的试点拨款的持续时间和资源是可行的。 据此，研究人员将确定未来足够有力的研究所需的样本量，如下所述。

内部有效性：为避免选择偏差并平衡潜在的混杂因素，研究人员将使用 R.21 中的 blockrand 包对参与者使用块随机化策略。此过程使用两个阶段的过程：首先，选择块的大小以2、4、6 或 8；接下来，生成该大小的块。 因此，没有研究人员能够预测参与者将被分配到哪个组或更改该分配（即 分配隐藏）。 只有在完成基线评估并同意参与研究后，参与者才会被随机分组​​。 虽然，由于干预的性质，参与者和治疗临床医生不能对组分配不知情，但通过使治疗后评估员不了解治疗状态，可以最大限度地减少偏倚。 为了控制损耗偏倚，除了意向性治疗方法外，研究人员还将确定是否存在任何缺失预测因素。 如果是这样，研究人员将使用模式混合模型来乘以估算（5 次重复）任何缺失的响应。

相关生物学变量的考虑：以上指定的资格标准代表具有单侧前庭功能减退的男女和不同年龄范围的成年个体。 对照组将在年龄和性别方面与前庭组相匹配。 将招募广泛的年龄范围（18 岁及以上）。 众所周知，肥胖会影响姿势并可能改变姿势控制策略。 如果样本包括超重个体，则将在调整体重的同时测试模型。 由于样本将包括老年人，研究人员预计其他健康状况在各组之间将是相似的，例如与年龄相关的听力损失。 排除标准将消除对姿势控制至关重要的健康状况，例如：视力障碍、周围神经病变和其他神经系统疾病。

数据分析：目标 1：对于四种感兴趣的测量（PSD 1-3 和总体 PSD）中的每一种，研究人员将拟合线性混合效应模型，以将年龄匹配的对照与前庭机能减退患者进行比较，同时考虑固有的多层次研究设计（人、条件、重复）。 该模型将包括群体、视觉条件、听觉条件、表面条件及其相互作用的主要影响，同时针对年龄进行调整。 固定效应的 P 值将通过 T 分布的自由度的 Satterthwaite 近似计算。 干预后将重复分析，调整组分配和干预前值。 ABC 和 DHI 将用于描述样本。

目标 2：不需要统计分析。 目标 3：首先，遵循意向治疗原则，线性回归模型将以 VVAS 和 FGA 作为主要因变量，在治疗组上拟合，控制基线协变量（年龄和其他自我报告的问卷测量）提高治疗效果估计的精确度，以及预测试分数。 干预的潜在疗效将根据治疗状态的显着系数进行评估。 其次，如上所述，研究人员将拟合模式混合模型以乘以估算任何缺失值，并使用鲁宾规则从回归模型中汇集系数及其标准误差，以拟合每个估算数据集。 通过估计治疗组的均值差异（即未来预期效果大小）以及主要结果和计算幂函数所需的其他参数的值。

安全和报告：初步工作显示极少甚至没有晕机症，也没有跌倒或对虚拟现实训练的不良反应。 只有 1 名患者因担心症状而退出。 其他人因焦虑、医生要求、停止治疗或入组后发生的其他骨科损伤而退出。 在当前的研究中，医学博士 Maura Cosetti 博士将作为初步 DSMB 对试验的进行进行监督和监测。 这将确保参与者的安全以及数据的有效性和完整性。 PI 和 Kelly 博士将对参与者的安全（跌倒、每次会议的症状）进行持续监控，并经常向 Cosetti 博士报告。 研究人员将遵循报告试验的综合标准 (CONSORT) 2010 声明清单和图表来报告试验结果。