论文部分内容阅读
背景:原发性失眠症（Primaryinsomnia,PI）是第二大精神障碍疾病,为多种疾病的危险因素,严重影响患者身心健康。虽然临床指南推荐药物疗法和认知行为疗法（Cognitive behavioral therapy for insomnia,CBT-I）作为PI的一线治疗选择,但是药物疗法不良反应多、减停时间长且易反跳,CBT-I价格昂贵、耗时长与治疗师缺乏,尚有约40%的PI患者未能通过这些治疗获得持续缓解。近年来,简验效廉的中医适宜技术与西医物理疗法逐渐兴起,如耳穴针刺疗法与经皮迷走神经调节技术等。经皮耳迷走神经刺激（Transcutaneous auricular vagus nerve stimulation,taVNS）疗法治疗失眠疗效确切,但个体疗效差异大,疗效差异产生的神经机制尚不清楚,限制了其推广应用。因此,探索PI患者个体疗效差异的机制及其客观标记物对提高临床疗效具有重要意义。然而,目前尚无taVNS治疗PI疗效差异的机制研究。静息态功能磁共振成像（Resting-state functional magnetic resonance imaging,rs-fMRI）是探索神经精神疾病机制的强大工具,提取脑功能特征结合机器学习方法对精神疾病进行分类与预测研究逐渐成为热点,为研究精神疾病的神经基础提供了新方法。因此,本研究通过提取PI患者治疗前的脑功能指标作为特征,采用机器学习方法构建taVNS治疗后患者疗效的预测模型,然后通过权重、F分数特征选择方法和10折交叉验证方法筛选出对疗效最具区分能力的特征,以探寻taVNS治疗失眠症疗效差异的中枢机制及其客观标记物。第一部分 基于局部一致性探讨原发性失眠症的中枢机制目的:观察原发性失眠症（Primaryinsomnia,PI）患者与健康人（Healthcontrol,HC）脑功能的差异,基于局部一致性（Regionalhomogeneity,ReHo）分析PI的中枢机制,为后面进行疗效预测研究奠定基础。方法:招募PI患者与健康人各100名,采集基线的人口学资料、临床症状量表、心率变异性（Heart rate variability,HRV）与rs-fMRI数据,并在taVNS持续刺激5分钟期间收集1次HRV数据,比较PI患者与健康人睡眠、情绪、生活质量、自主神经功能、脑功能及对taVNS刺激反应的差异。临床症状量表包括匹兹堡睡眠评分（Pittsburghsleepquality index,PSQI）、失眠严重指数（Insomnia severity index,ISI）、焦虑自评量表（Self-rating anxiety scale,SAS）、抑郁自评量表（Self-rating depression scale,SDS）、复合自主症状评分（Composite autonomic symptom score-31,COMPASS-31）和 36 项生活质量量表（The MOS 36-item shortfromhealthsurvey,SF-36）,作为睡眠、情绪、生活质量与自主神经功能的评价指标。心率变异性（Heart rate variability,HRV）指标包括总心博数、心动周期间隔（RR）、相邻 RR 间期差值的均方（Mean square successive difference,MSSD）、相差大于 50ms的相邻RR间期占RR间期总数的百分比（The percentage of successive normal sinus RR intervals more than 50ms,PNN50）、低频能量（Low frequency,LF）、高频能量（High frequency,HF）与平衡比（LF/HF）,作为自主神经系统（Autonomous nervous system,ANS）功能活动的主要评价指标。rs-fMRI指标采用ReHo,衡量大脑局部信号的协同程度,作为脑功能活动的主要评价指标。结果:PI患者组与健康对照组的一般人口学特征（年龄、身高、体重、BMI、血压与受教育程度）、生活习惯（吸烟、饮酒与喝咖啡）、慢性病史（高血压、糖尿病与高血脂）的差异无统计学意义（P＞0.05）,两组具有可比性。临床症状量表分析结果显示:与健康对照组相比,PI患者组的PSQI（Z=-10.421,P=0.000）、ISI（Z=-10.383,P=0.000）、SAS（Z=-8.400,P=0.000）与 SDS（Z=-8.838,P=0.000）分数均显著增高,SF-36分数显著降低（Z=-8.613,P=0.000）,COMPASS-31分数稍高,但组间无差异（Z=-1.864,P=0.062）。HRV分析结果显示:1.组间比较结果:两组基线总心博数（t=0.073,P=0.942）、RR（Z=-0.068,P=0.946）、MSSD（Z=-0.702,P=0.483）、PNN50（Z=-0.835,P=0.404）、LF（Z=-0.064,P=0.949）、HF（Z=-0.753,P=0.452）和 LF/HF（Z=-0.872,P=0.383）的差异无统计学意义;taVNS刺激时,与对照组相比,患者组总心博数差值（Z=-2.857,P=0.004）显著降低,RR差值（Z=-3.898,P=0.000）与 PNN50 差值（Z=-1.977,P=0.048）显著升高,两组 MSSD 差值（Z=-0.551,P=0.582）、LF 差值（Z=-0.562,P=0.574）、HF 差值（Z=-0.520,P=0.603）和 LF/HF 差值（Z=-0.530,P=0.596）的差异无统计学意义。2.组内比较结果:与刺激前相比,taVNS刺激时患者组总心博数（t=5.198,P=0.000）显著降低,RR（Z=-4.977,P=0.000）、MSSD（Z=-2.242,P=0.025）与 PNN50（Z=-4.062,P=0.000）显著升高,LF（Z=-0.914,P=0.361）、HF（Z=-1.713,P=0.087）与LF/HF（Z=-0.533,P=0.594）的差异无统计学意义（P＞0.05）;对照组总心博数（t=2.722,P=0.008）显著降低,MSSD（Z=-2.704,P=0.007）显著升高,RR（Z=-1.270,P=0.204）、PNNN50（Z=-1.805,P=0.071）、LF（Z=-0.353,P=0.724）、HF（Z=-1.522,P=0.128）和 LF/HF（Z=-1.618,P=0.106）的差异无统计学意义（P＞0.05）。rs-fMRI分析结果显示:与健康对照组相比,PI患者组双侧楔前叶、右侧角回、双侧内侧眶额回、左侧眶部额上回、双侧距状裂、双侧舌回、左侧小脑、右侧颞上回、右侧颞中回与右侧枕中回的ReHo值显著升高（体素水平P＜0.001,团块水平P＜0.001,FDR校正）。第二部分 基于比率低频振幅特征预测taVNS治疗PI的疗效目的:观察taVNS治疗后PI患者PSQI分数差值的个体差异,基于比率低频振幅（Fractional amplitude of low-frequency fluctuations,fALFF）与支持向量回归（Support vector regression,SVR）方法预测PSQI分数差值,探讨PI患者个体疗效差异的中枢机制,寻找疗效的客观标记物。方法:招募的PI患者接受taVNS治疗4周,在治疗前和治疗后各采集1次临床症状量表、HRV指标和rs-fMRI图像数据。首先,计算PSQI分数差值作为疗效评价指标,采用Matlab与DPABI 3.1软件计算患者治疗前全脑体素水平的fALFF作为特征,基于SVR算法构建PSQI分数差值的预测模型,对taVNS治疗后PI患者的PSQI分数差值进行预测,将预测值与真实值进行相关分析,得到相关值r和P值。然后,使用权重特征选择与10折交叉验证方法,筛选出预测能力最好的特征。使用置换检验评估r值对应P值的偶然程度。最后,采用MRICron软件将预测权重值排列前30%的体素可视化。结果:临床量表分析结果显示:与治疗前相比,治疗后患者PSQI（Z=-6.780,P=0.000）、ISI（Z=-6.606,P=0.000）、SAS（t=4.534,P=0.000）、SDS（t=3.787,P=0.000）与 COMPASS-31（Z=-2.380,P=0.017）显著降低,SF-36 显著升高（t=-7.108,P=0.000）。HRV分析结果显示:taVNS刺激前后比较结果:治疗前,与基线相比,taVNS刺激时患者组的总心博数（t=5.198,P=0.000）显著降低,RR（t=-5.608,P=0.000）、MSSD（Z=-2.242,P=0.025）与 PNN50（Z=-4.062,P=0.000）显著升高,LF（Z=-0.914,P=0.361）、HF（Z=-1.713,P=0.087）和 LF/HF（Z=-0.533,P=0.594）的差异无统计学意义;治疗后,与基线相比,taVNS刺激时患者组总心博数显著降低（t=-4.215,P=0.000）,RR显著升高（t=-4.250,P=0.000）,MSSD（Z=-0.302,P=0.763）、PNN50（Z=-0.862,P=0.388）、LF（Z=-1.010,P=0.313）、HF（Z=-1.421,P=0.155）和LF/HF（Z=-0.074,P=0.941）的差异无统计学意义。taVNS治疗前后比较结果:与治疗前相比,治疗后患者基线总心博数（t=2.507,P=0.015）显著降低,基线 RR（t=-1.723,P=0.090）、MSSD（Z=-0.751,P=0.453）、PNN50（Z=-1.487,P=0.137）、LF（Z=-1.437,P=0.151）、HF（Z=-0.179,P=0.858）和LF/HF（Z=-0.515,P=0.606）的差异无统计学意义,总心博数差值（Z=-3.043,P=0.002）显著降低,RR 差值（Z=-2.640,P=0.008）、MSSD 差值（Z=-2.447,P=0.014）与 PNN50 差值（Z=-2.545,P=0.011）显著升高,而 LF 差值（Z=-0.236,P=0.813）、HF 差值（Z=-0.631,P=0.528）和 LF/HF 差值（Z=-0.717,P=0.473）的差异无统计学意义。预测结果显示:基于患者基线fALFF构建的预测taVNS治疗后PSQI分数差值的模型具有较好的性能,预测值与真实值的皮尔逊相关系数r=0.3166,P=0.0067。权重排序前30%的脑区包括内侧前额叶、额中回、双侧前额叶眶回、左侧眶部额中回、双侧眶部额下回、左侧杏仁核、左侧岛叶、双侧海马旁回、双侧尾状核、左侧壳核、左侧苍白球、双侧距状裂、右侧楔叶、双侧舌回、左侧梭状回、双侧小脑、右侧枕下回、左侧颞上回、双侧颞中回、左侧颞极与左侧赫氏回。第三部分 基于功能连接特征预测taVNS治疗后PI患者的疗效分类目的:通过静息态功能连接（Resting-statefunctionalconnectivity,rsFC）矩阵与逻辑回归（Logistic regression,LR）方法构建taVNS治疗后PI患者疗效分类的预测模型,探讨PI患者疗效差异的中枢机制及客观标记物。方法:根据taVNS治疗后患者的疗效分数,将患者的结局分为有效和无效。采用DPABI 3.1（Data Processing＆Analysis for Brain Imaging,V3.1）软件计算所有患者治疗前全脑感兴趣区（Region of interest,ROI）的rsFC,提取FC矩阵作为特征,然后采用F分数特征选择与10折交叉验证方法,筛选出具有区分能力的特征。采用Matlab（Matrix laboratory）软件,基于LR方法构建taVNS治疗后PI患者疗效分类的预测模型。采用置换检验评估准确率的偶然程度,使用受试者工作特征曲线下面积（Area under the receiver operator characteristic curve,AUROC）、平均准确率、敏感度和特异度量化评估模型的性能。最后,采用Circoss与BrainNetViewer软件将有分类意义的FC与重要节点可视化。结果:1.临床资料组间比较结果显示:治疗前,有效组与无效组患者的人口学资料与临床量表分数的差异无统计学意义（P＞0.05）,两组患者具有可比性;治疗后,两组患者 PSQI 差值（Z=-5.440,P=0.000）、ISI 差值（t=5.483,P=0.000）、SAS 差值（Z=-3.333,P=0.001）与 SDS 差值（t=3.103,P=0.004）显著降低,COMPASS-31 差值（t=1.834,P=0.074）与SF-36差值（t=1.306,P=0.199）的差异无统计学意义。2.临床量表组内比较结果显示:与基线相比,治疗后有效组患者PSQI（t=15.884,P=0.000）、ISI（t=10.379,P=0.000）、SAS（t=7.258,P=0.000）、SDS（t=4.860,P=0.000）与 COMPASS-31（t=3.497,P=0.002）显著降低,SF-36 显著升高（t=-6.308,P=0.000）;无效组患者ISI显著降低（t=-2.806,P=0.005）,SF-36显著升高（t=-6.876,P=0.000）,PSQI（t=1.891,P=0.074）、SAS（t=0.746,P=0.465）、SDS（t=0.626,P=0.539）与 COMPASS-31（t=0.712,P=0.485）的差异无统计学意义。3.预测结果显示:FC特征数为300时模型分类效果最好（平均准确率、敏感度与特异度均达80%,AUROC为0.7875）,其中共同一致FC数为64,主要分布在默认网络（Default mode network,DMN）、情感网络（Affective network,AN）、视觉网络（Visual network,VIN）与小脑网络（Cerebellumnetwork,CEN）等网络内及网络间。具有区分能力的主要节点为右侧后扣带回、右侧角回、双侧前扣带和旁扣带脑回、右侧杏仁核、右侧眶部额中回、右侧眶部额下回、右侧距状裂周围皮层与小脑等脑区。结论:PI患者自主神经功能受损与脑功能异常,功能异常的脑区主要分布在DMN、AN、VIN与CEN,上述网络内脑区的功能活动为失眠相关症状的潜在标记物。taVNS可能通过调节自主神经平衡与脑功能活动,改善PI患者的睡眠、情绪与生活质量。使用基线脑功能特征结合机器学习算法能较准确地预测taVNS治疗失眠的个体疗效,DMN、AN、VIN与CEN固有网络内及网络间的功能整合可能是taVNS治疗PI疗效差异的中枢机制,可作为疗效的客观标记物。