描述眼动参数与无视力帕金森病患者眼动功能的关系
September 26th, 2019
在这里，我们提出一个方案，研究眼睛运动参数和认知功能之间的关系，在非精神病患者。实验使用眼动仪测量视觉搜索任务中的阳高音振幅和固定持续时间。随后测量了多域认知任务中与性能的相关性。
我们的协议旨在研究一组患有眼动和认知功能的非精神错乱帕金森病患者的眼动指标和认知功能之间的关系。要为视觉搜索任务设计试用图像，请仅使用数字 4、6、7 和 9。确保目标编号的位置从试验到试验随机化，并规定每个数字不能在同一视觉象限中连续三次试验。
不要使用模棱两可的字母（如 I 和 O），并设置固定交叉、字母和数字的大小为 0.85 度可视角度。将程序设置为在按下 Enter 后允许 1.5 秒的时间推移，然后将中央固定交叉的显示切换到试用图像以开始试用。确保当单击鼠标时或从试用开始 10 秒后（以较早者为准）开始，当固定交叉重新出现时，屏幕将一片空白。
然后设置程序以生成一个 csv 文件，其中包含每个试验的开始和结束的时间戳。在与主体进行临床诊断访谈后，如果可用，其亲属将排除痴呆症，并使用迷你精神状态检查和蒙特利尔认知评估筛查认知障碍，使用斯内伦图表评估该主体的视力。然后，在一个配有足够光源的安静房间里，设置一个基于屏幕的眼动仪，采样率至少为 300 赫兹、一台电脑、一只鼠标和一个标准键盘。
下巴休息放置在眼睛检查器屏幕前60厘米和适当的认知评估工具。要设置视觉搜索任务，请将对象放在椅子上，下巴放在下巴上，额头靠在条子上，以尽量减少头部运动。将主体的眼睛与计算机屏幕的中心对齐，然后单击眼动追踪程序中的"开始"按钮。
单击"开始"使用内置校准程序校准眼动仪。并要求主题凝视红点在屏幕上移动与九个固定点，同时保持他们的头静止。查看校准图以检查校准质量，确保表示误差矢量的绿线的长度位于灰色圆圈内。
然后单击"接受"以继续执行视觉搜索任务。要启动练习试验，请指示对象将目光固定到中央固定十字上，然后按键盘上的 Enter 开始试用。计算机屏幕将显示单个数字和 79 个随机分散的干扰字母。
指示主题尽快查看数字，同时单击鼠标，同时在数字找到时立即大声说明数字。然后交叉检查所述号码是否正确，再重复练习试验四次。有关计算机程序重播部分的眼动跟踪数据处理和分析，请在视觉搜索任务期间检查样本的眼睛百分比。
单击录制的播放，通过查看生成的可视化扫描路径视频来检查数据的质量。如果主体的数据严重错误，请丢弃所有数据。并放弃任何试验，其中的主题点击鼠标意外或过早。
在程序的数据导出部分中，选择 GazePointX 和 GazePointY 单击导出导出数据以导出主体的数据，然后将数据另存为 csv 文件。在视觉搜索分析器的界面中，选择导出的数据作为眼睛数据的输入，选择生成的 csv 文件作为操作数据的输入。选择 ST DB 扫描作为分类算法，然后单击运行。
然后单击摘要生成包含主体的半囊振幅和平均固定持续时间的电子表格文件。要设计可视化搜索分析器，请对分析器进行编程，以便它仅使用生成的 csv 文件提取和分析从试验开始到结束的数据。要对分析仪进行编程，以便它填充因眨眼而丢失的数据，请立即在闪烁之前和之后对凝视点的平均 x 和 y 坐标。
然后使用基于 ST DB 扫描的算法对分析器进行编程，以便将原始数据分类为 saccade 或固定。与先前的研究一致，在这项分析中，帕金森病组在多个认知任务中的表现与对照组相比较差。使用内部算法对可视化搜索任务数据进行分类，可以识别和提取固定和标记进行计算和分析。
事实上，与对照组相比，该病组的平均囊性振幅较小，各组的平均固定持续时间没有显著差异。在本次评价中，在对协变量进行调整后，发现平均固定持续时间、言语识别记忆和识别分数、模式识别记忆和果蔬类分类语言流畅性测试之间的负相关。然而，在疾病与对照组之间的这些相关性中，没有发现显著的相互作用，这表明这些相关性并不特定于疾病组。
视觉搜索任务的设计很重要，目的是最大限度地减少干扰注意力的眼睛运动参数的认知能力的干扰。如果这个研究任务是高度可容忍的，它可以应用于跨诊断到其他新的退行性疾病，以回答类似的研究问题。
View the full transcript and gain access to thousands of scientific videos
概览
本研究提出了一种协议，用于检查非痴呆型帕金森病患者眼动参数与认知功能之间的关系。使用眼动追踪仪，研究评估视觉搜索任务中的眼跳幅度和定位持续时间，并将这些指标与各种认知测试的表现进行关联。
关键研究组成部分
科学领域
- 神经科学
- 认知功能
- 眼动分析
背景
- 研究调查帕金森病中的眼动和认知功能障碍。
- 眼动在视觉任务中的认知表现中起着至关重要的作用。
- 研究集中在非痴呆患者身上，以突出认知相关性，同时避免痴呆的混淆影响。
研究目的
- 建立一种分析眼动指标与认知任务之间联系的方法。
- 明确这些指标在非痴呆型帕金森病患者中的影响。
- 探讨在其他神经退行性疾病中应用类似方法的可行性。
使用的方法
- 使用眼动追踪仪来便利眼跳和定位的测量。
- 患者进行设计有特定随机化目标数和受控参数的视觉搜索任务。
- 以CSV格式收集数据以便后续分析，确保试验完整性，并检查不正确的响应。
- 基于眼动指标进行统计分析以评估认知功能的相关性。
主要结果
- 帕金森病患者与对照组相比，平均眼跳幅度减少且定位持续时间不同。
- 虽然在各组之间没有发现特定的交互作用，但观察到平均定位持续时间与认知任务表现之间存在负相关。
- 研究结果支持认知功能与非痴呆个体中的眼动效率相关的观点。
结论
- 本研究展示了一种通过眼动分析评估帕金森病认知障碍的可行方法。
- 结果暗示这种方法可以更广泛地应用于调查其他退行性疾病中的类似认知功能。
- 获得的见解可能有助于增强对帕金森病中认知功能障碍神经机制的理解。
常见问题
Executive Industry Relevance
Quantitative eye movement metrics offer a noninvasive, objective approach to assess cognitive function in non-demented Parkinson's disease patients, addressing a critical need for early detection of cognitive decline. By correlating saccadic amplitude and fixation duration with cognitive test performance, this protocol supports predictive confidence in neurodegenerative disease research pipelines. The paradigm's tolerability and minimal confounding enable scalable integration into discovery and translational workflows for biomarker development.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of cognitive function using physiological eye movement parameters as proxy markers.
- Supports biological de-risking by minimizing confounding from subject intelligence or attributes.
- Facilitates predictive confidence in linking oculomotor metrics to cognitive domains relevant for neurodegeneration.
Screening & Assay Development
- Prepares validated, reproducible visual search tasks for downstream cognitive biomarker screening.
- Standardizes quantitative outputs such as saccadic amplitude and fixation duration for assay comparability.
- Enables reliable evaluation of cognitive impairment across patient cohorts using objective metrics.
Translational & Preclinical Research
- Aligns eye movement parameters with cognitive domains for translational biomarker exploration.
- Supports continuity from early discovery through preclinical validation in neurodegenerative disease models.
- Provides mechanistic de-risking by linking physiological readouts to cognitive outcomes.
Pipeline & Workflow Integration
This protocol integrates from early discovery through translational research, supporting hypothesis testing and biomarker validation in neurodegenerative disease pipelines.
- Discovery Biology: Quantitative eye tracking enables hypothesis testing on cognitive-oculomotor relationships.
- Screening: Standardized visual search tasks yield reproducible, quantitative eye movement outputs.
- Analytics: Provides objective measurements for cross-condition comparison and statistical analysis.
- Translational Research: Facilitates biomarker alignment and continuity across disease models and patient populations.
- Enterprise Reuse: The protocol is adaptable for transdiagnostic application in neurodegenerative research portfolios.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in cognitive biomarker research.
- Operational Value: Delivers standardized, scalable, and reproducible eye movement assessments.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency by enabling early cognitive risk stratification.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of neurodegenerative disease programs.
Implementation Considerations
- Requires expertise in eye tracking technology and cognitive assessment protocols.
- Needs access to high-frequency eye trackers, calibration tools, and data analysis software.
- Demands cross-team standardization for data collection and processing workflows.
- Adaptable across neurodegenerative disease models with protocol adjustments for population-specific tolerability.
- Dependent on robust data quality control and exclusion criteria for reliable outputs.
Biopharma FAQs
Chapters in this video
0:04
Title
0:28
Visual Search Task Trial Design
1:32
Participant Recruitment, Baseline Assessment, and Experimental Setup
2:15
Visual Search Task Setup
3:07
Visual Search Task Trials
3:47
Eye Tracking Data Processing and Analysis
5:04
Visual Search Analyzer Design
5:40
Results: Representative Eye Tracking Parameter Evaluation
6:45
Conclusion
