卵圆孔未闭偏头痛患者的多模态脑功能 (NEURO-PFO)

这是一项研究者发起的单中心前瞻性纵向自身对照队列研究，旨在评估伴有先兆偏头痛且经超声心动图证实存在卵圆孔未闭（PFO）的成年患者，在接受临床指征下的经皮PFO封堵术（作为常规诊疗的一部分）后，其多模态脑功能的变化。 研究旨在通过标准化的采集与分析流程（包括高密度脑电图（hdEEG）、静息态功能磁共振成像（rs-fMRI）和认知测试），从封堵前基线到封堵后随访期间，描述个体在静息态神经生理学、脑网络组织和神经认知表现方面的轨迹。

总体设计与临床工作流程整合

参与者通过常规临床路径（心脏病学/结构性心脏病和头痛/神经病学服务）识别。 研究程序尽可能嵌入标准的术前评估和术后随访计划中，以减少参与者负担并提高数据完整性。 PFO封堵手术本身、器械选择、围手术期管理和术后抗血栓治疗遵循当地临床实践，不由研究分配。

参与者完成封堵前基线评估，随后在随访期间接受重复评估。 研究访视时间锁定在PFO封堵后具有临床意义的恢复阶段，旨在捕捉脑网络指标的早期神经生理变化、中期适应和长期稳定。

多模态评估与采集程序静息态fMRI采集与质量控制

静息态fMRI在3.0T临床MRI系统上采集，使用适用于网络水平分析的标准序列。 指导参与者在所有访视中保持静止、清醒，并遵循统一的静息条件（如闭眼或睁眼注视），以最大化纵向可比性。 成像质量控制强调最小化头部运动和生理伪影。 数据筛查完整性、扫描仪协议偏差和运动异常值；未通过预设QC阈值（如过度运动）的扫描标记为从网络分析中排除，同时在适当时保留其他可用结果。

hdEEG采集与质量控制

高密度脑电图在标准化的静息态条件下记录。 采集协议在访视间协调一致，包括参与者准备、阻抗检查、记录时长和环境控制（如低噪声房间、标准化指令）。 记录质量控制包括监测过度肌肉活动、眼动污染、通道伪影和嗜睡。 原始数据存档，以便在需要时实现可重复的预处理和再分析。

神经认知与症状相关评估

神经认知表现使用MATRICS共识认知成套测验（MCCB）评估，由经过培训的人员按照标准化程序和评分规则执行。 研究中收集的其他临床评估支持随时间解释多模态脑指标（如头痛日记衍生指标和经过验证的患者报告指标）。 这些指标在可行时与成像/脑电图时间一致地收集，以减少测量变异性。

神经影像与脑电图预处理及网络构建rs-fMRI预处理

静息态fMRI预处理遵循基于连接组分析的既定流程，包括：移除初始体积（如适用）、层时间校正（如使用）、运动校正、配准到个体解剖空间（如可用）、标准化到标准空间、干扰回归（如运动参数；可选地根据最终流程包括生理或白质/脑脊液信号）、时间滤波和与所选图谱及连接方法一致的空间平滑。 运动使用标准指标（如帧间位移）量化。 可能应用擦除/审查策略和敏感性分析（如带/不带全局信号回归）以评估稳健性。

hdEEG预处理

脑电图预处理包括带通滤波、坏通道检测/插值、伪影衰减（如独立成分分析或等效方法处理眼动和肌肉成分）、与高密度记录一致的重新参考策略以及分割为静息时段。 频域特征（如典型频段的功率谱密度）和连接性测量使用访视间标准化的参数推导。

分区（脑“图谱”）与网络生成

对于rs-fMRI，使用预定义图谱（如功能定义的多网络分区，如基于Schaefer的图谱，在数据库锁定前最终确定）将大脑划分为感兴趣区域（ROIs）。 提取每个ROI的区域时间序列，并使用基于相关性的指标（适当时使用Fisher z变换）构建成对连接矩阵。 对于脑电图，连接性使用减少容积传导偏差的基于相位的测量（如相位滞后指数型指标）计算，重点关注与静息态网络生理相关的预设频段。 网络表示可能包括全脑连接矩阵和衍生的网络内/网络间摘要，与典型功能系统（如默认模式网络、凸显网络、执行控制网络）对齐，事先最终确定。

统计考虑与分析思路（高层次）主要分析框架

主要分析为个体内比较，对比封堵前基线与随访时间点在多模态脑功能和认知终点上的差异。 纵向建模将使用适用于重复测量的方法实现，如具有参与者特定随机效应的线性混合效应模型，允许纳入所有可用时间点，并在随机缺失假设下适应不完整的随访。 时间建模为分类（基于访视）或连续（自封堵以来的时间），取决于最终规范。

多重主要终点与多重性控制

由于研究包括两个主要领域（神经影像/脑电图衍生的脑功能和MCCB认知），应用多重性控制以保持整体I类错误率。 使用Bonferroni校正的显著性阈值进行两个主要终点的验证性检验（即α在两个主要检验间分配）。 次要和探索性分析以适当谨慎解释，主要为假设生成。

网络水平推断与特征选择（探索性部分）

对于连接组范围的rs-fMRI分析，可使用基于网络的推断方法（如带置换检验的网络统计）识别在边缘上显示一致变化的子网络，同时在组件水平控制家族误差。 对于脑电图连接性，根据最终特征集，可使用类似的基于聚类或基于网络的置换方法。

为将多模态网络特征与认知表现和临床指标关联，可应用多变量建模策略。 如果特征空间相对于样本量是高维的（如边缘级连接组特征），可在探索性框架中使用正则化和特征选择方法（如LASSO或弹性网络）配合交叉验证以减少过拟合。 然后可总结所选特征（如网络强度指数），并检查其与MCCB变化或症状轨迹的纵向关联。 这些模型明确为探索性，除非预先指定并具备足够的预测功效。

协变量与混杂控制

模型将考虑可能影响脑网络指标和认知的关键协变量（如年龄、性别、教育程度、fMRI头部运动指标、药物变化和其他临床相关因素）。 敏感性分析可能评估运动阈值、预处理选择和替代图谱分辨率的影响。

缺失数据与数据质量

缺失可能源于失访或不可用的成像/脑电图数据。 分析计划优先（1）通过日程整合和QC反馈循环防止数据缺失，以及（2）透明处理缺失。 混合效应模型允许纳入部分随访的参与者，而成像/脑电图特定的QC排除记录原因。 在适用情况下，敏感性分析将比较完整病例和所有可用数据方法。

安全监督与不良事件记录

尽管研究在治疗分配方面是非干预性的，但它前瞻性地捕获与PFO封堵和常规术后管理时间相关的不良事件。 不良事件和严重不良事件在整个随访期间记录，使用标准化定义、分级、归因（如手术相关、器械相关、药物相关或无关）和报告途径，符合机构要求。 此安全记录为观察性，不改变临床管理。

数据管理、保密性与可重复性

研究数据记录在结构化数据库中，具有预定义的变量定义和审计追踪。 成像和脑电图数据以去标识化格式存储，受控访问。 临床记录与研究标识符之间的数据链接保存在仅授权人员可访问的安全位置。 预处理流程、参数设置和分析脚本进行版本控制，以支持可重复性和透明报告。

传播

结果将通过同行评审出版物和学术报告传播。 报告将遵循相关观察性研究指南，并区分预先指定的验证性分析与探索性建模。