摘要
中风后认知能力下降(PSCD)对中风后的长期康复和生活质量构成重大挑战，受到固定生物因素和可改变的健康行为（如口腔和牙科护理）的影响。在对PREMIERS II期随机试验（ClinicalTrials.gov NCT#02541032）的数据驱动探索性分析中，我们研究了临床、生物和人口统计学特征对12个月内牙科护理与PSCD关系的调节效应。该研究包括280名中风/短暂性脑缺血发作(TIA)幸存者，他们接受了强化或标准牙科护理。认知结果通过蒙特利尔认知评估(MoCA)在基线和随访时进行评估，MoCA分数变化作为主要结果。Lasso回归用于经验性特征选择以筛选调节因子，而自举多重线性回归表明，增加牙科就诊次数可预测老年人（年龄交互项b = -0.664，p < 0.001）、黑人参与者（种族交互项b = -0.475，p < 0.05）以及低中等教育水平者（教育交互项b = 0.413，p < 0.05）相对更好的认知结果。探索性图表显示，老年人、黑人和低中等教育水平的成年人在牙科就诊频率较高时，认知改善更为明显，最终模型（包含选定的调节因子）显著预测了PSCD[F(11, 268) = 10.51，p < 0.001]。这些发现强调了将牙科护理纳入精准医学干预措施的潜力，以减轻弱势中风人群中的PSCD。
引言
中风后认知障碍(PSCI)和中风后认知能力下降(PSCD)是中风后长期康复和生活质量面临的主要挑战。PSCI指在单一中风后时间点检测到的认知缺陷，而PSCD则捕捉多个评估之间的认知表现变化。这两种结果在临床上都具有重要意义：PSCI和PSCD（包括进展为痴呆）与功能独立性和生活质量相关（Quinn等，2018；El Husseini等，2023；Sadigh和Volovici，2024），中风复发（Moroney等，1997），以及增加死亡风险（Melkas等，2009；Oksala等，2009）。
中风的认知后果受到生物损伤与个体特征之间复杂相互作用的塑造。诸如病变位置、中风亚型和梗死体积等结构和血管特征对结果有显著影响（Aam等，2020；Aamodt等，2023；Levine等，2025）。例如，左半球和后循环中风与认知能力下降特别相关（Pendlebury和Rothwell，2009；Siow等，2024），而海马内侧萎缩对认知的影响取决于中风的侧向性（Aamodt等，2022）。这些与损伤相关的因素通常是固定的，不易改变。然而，人口统计学和临床变量——如年龄、性别、教育和合并症——也会影响中风后的认知轨迹，并可能为有针对性的干预提供途径（Rost等，2022；El Husseini等，2023）。
近年来，可改变的健康行为和生活方式因素因其减缓PSCI和PSCD的潜力而受到关注。体育活动、认知刺激、睡眠质量和营养在保护作用方面越来越多地被研究（Obaid等，2020；Huang等，2022）。特别是有氧运动已被证明对中风幸存者的认知表现有益（Moore等，2015），而治疗阻塞性睡眠呼吸暂停等睡眠障碍也可能保护认知（Aaronson等，2016；Zhang等，2023）。这些见解支持了多因素干预的发展，尽管效应大小仍然适中（Sun等，2021）。
一个新兴但尚未充分探索的干预领域是口腔和牙科健康。不良的牙周状况可能通过系统性炎症、微生物组失调和血管功能障碍导致中风后认知能力下降（Zhang等，2020；Wei等，2023；Shiraishi等，2024）。口腔健康与免疫衰老密切相关（Ebersole等，2018），并可能通过"炎症衰老"等过程影响认知——这是一种与衰老和神经退行性变相关的慢性低度炎症（Finger等，2022）。修改口腔炎症和健康可能因此提供一条独特且可扩展的途径来提高认知韧性，特别是在老年人中。
我们最近在中风或短暂性脑缺血发作后牙周疾病治疗(PREMIERS) II期随机试验中探索了这一可能性，该试验证明强化牙周治疗在改善血压和高密度脂蛋白水平等血管结果方面是安全有效的（Sen等，2023）。在本研究中，我们对PREMIERS进行了二次分析，以评估1年期间认知变化，并重点关注最可能从口腔保健中受益的亚群。
本分析优先考虑基于变化的PSCD评估，这比横断面测量更能准确捕捉与中风相关的认知变化，后者可能反映预先存在的病理（El Husseini等，2023）。我们采用数据驱动的方法，检查了年龄、种族、教育和性别等变量是否调节了牙科护理与PSCD之间的关系。了解哪些人群受益最多可以为预防中风幸存者认知能力下降的精准策略提供信息。
材料与方法
研究人群与设计
PREMIERS临床试验的方法和结果已在其他地方报告（Sen等，2023；clinicaltrials.gov；唯一标识符：NCT 02541032），但研究将在此简要总结（Pikel等，2025）。PREMIERS是一项多中心II期试验，其主要目标是评估强化牙周治疗对中风和高风险TIA幸存者复发血管事件的影响。280名患者的样本以1:1的比例随机分配到强化组（n = 140）或标准组（n = 140）。研究活动在南卡罗来纳大学普里马健康里奇兰德和北卡罗来纳大学教堂山分校的神经病学和牙科临床环境中进行。该研究已获得两家机构的机构审查委员会批准。本文的结果基于对原始研究结果数据的二次分析。本文侧重于对所有参与者的分析，无论治疗分配如何，特别考察了参加牙科就诊的次数对中风后认知能力下降的影响。
牙周干预
强化治疗包括在局部麻醉下使用手工器械和超声波刮治器进行龈上和龈下刮治和根面平整、拔除评估为不可修复或受牙周炎严重影响的牙齿、局部抗生素给药以及提供口腔卫生指导。在基线时，强化治疗参与者还获得了一把飞利浦声波电动牙刷和带有抗菌漱口水的牙间清洁器。标准治疗包括仅去除龈上牙菌斑和牙石的全口龈上刮治，以及用研磨性牙科抛光膏进行龈上抛光。标准治疗患者也接受了有关牙周病严重程度的教育，并在口腔状况需要立即关注时被转诊治疗。无论治疗分配如何，所有研究参与者都受到安全性和疾病进展的监测。在为期一年的研究期结束时，标准治疗组获得了强化治疗中涉及的牙科护理。
认知评估
蒙特利尔认知评估(MoCA)在基线和12个月研究期结束时进行。MoCA是一种有效的PSCI筛查工具，已在多项认知能力下降研究中使用（Tan等，2017；Siqueira等，2019）。该评估评估总认知能力，总分为30分。它基于对七个认知领域的评估：视空间/执行、命名、注意力、语言、抽象、回忆和定向（Shi等，2018）。与其他测试（如简易精神状态检查）相比，MoCA可能是血管认知能力障碍变化的更敏感测量工具，因为它包含测试前额执行功能和抽象推理的组件（Tan等，2017）。在我们的研究中，PSCD分数通过从12个月随访分数中减去基线分数来计算。研究通过与正式神经心理学测试电池变化的比较和关联验证了MoCA用于PSCD（Tan等，2017）。
基线人口统计学、临床和脑健康变量
在治疗开始前的基线访问中获得了临床和人口统计学信息。从医疗记录中收集了关于年龄/出生日期、性别、种族、教育水平、高血压、糖尿病、物质使用（吸烟和饮酒）、冠心病史、心肌梗死、心绞痛、冠状动脉旁路移植术和心房颤动(AFib)的信息。教育水平被操作化为低中等（高中文凭或等同或更低）或高（完成大学学位或正在追求大学教育）。高血压状态被操作化为先前诊断为高血压，无论当前药物治疗情况如何。物质使用通过评估当前或过去吸烟香烟和当前定期饮酒来评估。AFib被操作化为既往诊断或入院时心电图(EKG)上的表现。通过Morisky药物依从性量表(MMAS-8)评估药物依从性（Morisky和DiMatteo，2011）。通过牙周疾病状况分类评估来分层评估牙周疾病风险（Morelli等，2017）。计算了干预前到干预后这一分类评分的变化，以得出牙周疾病变化的测量值。我们通过使用轴向FLAIR成像和白质高信号(WMH;病变)的三点Fazekas量表评分来评估脑健康。MRI扫描使用西门子1.5 T MRI扫描仪(Symphony Tim B17; Siemens Healthcare, Erlangen, Germany)或GE 1.5 T MRI扫描仪(Discovery 450; MXR Imaging, San Diego, California, USA)获取。脑室周围和深部WMH评分分别(0-3)进行，然后合并为总和(0-6)。脑室周围WMH(PVWMH)评分方式如下：0 = 无；1 = 帽状或铅笔状线条；2 = 平滑"光环"；3 = 扩展到深部白质的不规则脑室周围信号。深部WMH(DWMH)评分方式如下：0 = 无，1 = 点状焦点；2 = 焦点开始融合；3 = 大片融合焦点。TOAST亚型（短暂性脑缺血发作、大动脉粥样硬化、腔隙性中风、心源性栓塞、不明来源的隐源/栓塞性中风；Adams等，1993）、中风区域（左前循环、右前循环、后循环、双侧/混合）和NIH中风量表评分（测量中风严重程度）也由团队的血管神经病学家评估和定义。
统计分析
统计分析在R（R Core Team，2023）和SPSS第29版（IBM Corp，2022）中进行。首先，对候选调节变量进行了描述性统计：年龄、性别、种族、BMI、NIHSS、收入、高血压状态、糖尿病状态、冠心病/心肌梗死/冠状动脉旁路移植术、AFib、中风区域、TOAST亚型、TIA状态、吸烟史、当前饮酒状态以及Fazekas WMH评分。我们特别分析了分布以检查任何主要异常值，并可视化相关图以检查可能影响共线性的关联。然后使用R包MICE（通过链式方程的多重插补）中实施的多重插补方法完成缺失变量案例。MICE使用迭代预测模型通过估计变量之间的关系来填补空值。MICE包为缺失值创建多个数据集；为了创建最终数据集，我们对插补值进行了平均。为了创建每个候选变量的交互项，我们首先计算了每个候选变量的z分数，并将其乘以牙科就诊次数("Dental Visits")的z分数。
主要数据分析分两步进行：特征选择和最终模型估计。总之，我们进行了Lasso回归，以数据驱动的方式自动选择最重要的交互项，然后创建了一个简化的多重线性回归模型，用于解释和最终显著性测试。Lasso是一种机器学习回归技术，涉及在优化函数中引入L1正则化惩罚（James等，2023）。这最终将不重要的特征缩小为回归系数为零。非零回归系数项然后被用作进一步分析的选定特征。鉴于交互变量数量高（n = 17）和替代方案（如逐步线性回归）的缺点（例如，多次测试问题），我们决定在分析中使用Lasso回归。特征选择后，我们对选定的交互变量及其组件项进行了最终的自举多重线性回归分析（组件项无论Lasso回归结果如何都作为预测变量输入最终模型）。然后检查了自举生成的95%置信区间，以评估PSCD所有预测变量的最终显著性水平。为了便于解释，我们使用条形图来评估产生显著交互作用的整体结果模式。鉴于当前研究的探索性质，我们没有对交互项组件变量特定水平的PSCD均值水平进行进一步的统计比较。
我们进行了敏感性分析，将干预组（强化vs标准）作为最终简化多重线性回归模型中的协变量，并在分层样本（强化和标准子样本）中重复了类似分析。我们还进行了敏感性分析，检查了一个可能使牙科护理与认知能力下降之间关系复杂的潜在行为混杂因素——药物依从性的影响，使用Morisky药物依从性量表(MMAS-8)测量。最后，为了解决与生物中风特征相关的潜在混杂问题，我们测试了将中风区域和TOAST类型变量纳入最终模型是否会影响调节效应。
为了开始探索牙科干预的机制变化，我们对牙科就诊次数与干预前到干预后牙周疾病状态变化之间的关系进行了探索，进行了Spearman非参数秩相关。我们还想检查将牙科就诊预测因子替换为牙周疾病状态变化是否会在此最终简化多重线性回归模型中产生类似的调节效应。
结果
候选调节变量分布和关联
图1显示了牙科就诊对PSCD影响的候选调节变量的变量分布。值得注意的是，牙科就诊、BMI、收入、基线MoCA和NIHSS的分布呈偏斜；然而，鉴于最终分析是通过自举方法进行的，我们对最终简化模型中潜在影响结果的可能性不担忧。补充图1显示了候选变量的相关矩阵。没有变量高度相关；因此，多重共线性预计不会成为回归分析的问题。虽然没有对这些成对相关进行特定的定量分析和零假设显著性测试，但发现最强关联的变量包括：TIA和区域、TIA和TOAST类型、种族（黑人）和年龄、种族（黑人）和收入、NIHSS和基线MoCA、基线MoCA和收入。
特征选择结果
Lasso回归分析表明，年龄-牙科就诊、种族-牙科就诊、教育-牙科就诊和NIHSS-牙科就诊交互变量被选为值得在多重线性回归模型中探索的显著特征。其他13个变量的交互项回归系数因与结果变量PSCD缺乏实质性关系而缩小为零。正则化权重大小/重要性（降序排列）的顺序为：种族×牙科就诊（-0.216）、年龄×牙科就诊（-0.214）、教育×牙科就诊（0.096）和NIHSS×牙科就诊（-0.008）。此外，性别（女性）和基线MoCA变量也基于Lasso回归结果被选中。然后使用从特征选择中选定的交互变量及其组件项（例如，由于交互项被选中，年龄和牙科就诊变量都将被包括）运行简化模型结果多重线性回归(MLR)分析。包括以下变量：牙科就诊（计数）、性别（女性）、种族（黑人）、基线MoCA、年龄、教育、NIHSS、年龄×牙科就诊、种族×牙科就诊、教育×牙科就诊和NIHSS×牙科就诊。完整的简化模型显著预测了PSCD[F(11, 268) = 10.51，p = 5.17 × 10^-16]。预测变量解释了结果中显著的方差量：多重R^2 = 0.301，调整后R^2 = 0.273。在简化MLR模型中发现以下为显著预测变量：牙科就诊×年龄（b = -0.664，p < 0.001；CI：[-1.067，-0.240]）、牙科就诊×种族（黑人）（b = -0.475，p = 0.023；CI：[-0.903，-0.059]）和牙科就诊×教育（b = 0.413，p = 0.043；CI：[0.035，0.826]），性别（女性）（b = -0.992，p = 0.018；CI：[-1.807，-0.170]），基线MoCA（b = -0.439，p < 0.001；CI：[-0.570，-0.314]）。
年龄、种族和教育交互效应的图形探索
图2-4展示了牙科就诊次数与PSCD之间显著调节效应的探索性可视化。在统计分析之后，我们接下来通过目视检查不同水平的调节因子和预测因子与结果变量PSCD之间的具体关系，来检查三个显著的交互效应。对于描绘显著牙科就诊×年龄交互作用的散点图，目视检查显示，牙科就诊次数增加对老年人特别有益，特别是70岁以上的成年人。对于40岁以下的成年人，这种益处并不明显。对于描绘显著牙科就诊×种族（黑人）交互作用的条形图，我们发现牙科就诊次数增加对黑人成年人特别有益。令人惊讶的是，非黑人参与者在牙科就诊次数最高的情况下认知能力下降程度增加。对于描绘显著牙科就诊×教育交互作用的条形图，我们发现只有低中等教育水平（高中毕业，无大学学位或更高）的成年人从增加的牙科就诊次数中受益。然而，值得注意的是，只有7名参与者报告了基础教育水平。总之，老年人、黑人成年人和低中等教育水平的成年人的中风后认知似乎从更多牙科治疗的增加效应中受益最多。
敏感性分析：检查干预组、药物依从性和中风特征的影响
当在整体简化多重线性回归模型中包含干预组控制变量时，我们观察到模型结果略有变化，但总体模式保持一致。在更新后的MLR模型中，以下被发现是显著或边缘显著的预测变量：牙科就诊×年龄（b = -0.656，p = 0.004；CI：[-1.094，-0.200]）、牙科就诊×种族（黑人）（b = -0.482，p = 0.038；CI：[-1.002，-0.042]）、牙科就诊×教育（b = 0.406，p = 0.039；CI：[0.046，0.813]）、性别（女性）（b = -0.997，p = 0.027；CI：[-1.921，-0.197]）、基线MoCA（b = -0.441，p < 0.001；CI：[-0.563，-0.309]）。在检查分层分析时，结果与原始总体模式更符合强化治疗子样本。然而，标准治疗组的分析仅显示牙科就诊×年龄在标准阈值下的显著调节效应。另一方面，强化治疗组的分析仅显示牙科就诊×教育的显著调节效应。在标准治疗子样本MLR模型中，以下被发现是显著或边缘显著的预测变量：牙科就诊×年龄（b = -0.624，p = 0.029；CI：[-1.313，-0.137]）、性别（女性）（b = -1.294，p = 0.062；CI：[-2.696，-0.002]）、年龄（b = -0.052，p = 0.096；CI：[-0.118，0.010]）。在强化治疗子样本MLR模型中，以下被发现是显著或边缘显著的预测变量：牙科就诊×年龄（b = -0.654，p = 0.060；CI：[-1.265，0.096]）、牙科就诊×种族（黑人；b = -0.605，p = 0.066；CI：[-1.264，0.036]）、牙科就诊×教育（b = 0.688，p = 0.025；CI：[0.085，1.247]）、基线MoCA（b = -0.394，p < 0.001；CI：[-0.560，-0.232]）。
在检查潜在行为混杂因素药物依从性的影响时，我们发现总体结果与主要模型发现相似。在更新后的MLR模型中，以下被发现是显著或边缘显著的预测变量：牙科就诊×年龄（b = -0.687，p = 0.005；CI：[-1.102，-0.247]）、牙科就诊×种族（黑人）（b = -0.473，p = 0.033；CI：[-0.945，-0.049]）、牙科就诊×教育（b = 0.400，p = 0.052；CI：[0.016，0.831]）、性别（女性；b = -1.008，p = 0.011；CI：[-1.779，-0.164]）、基线MoCA（b = -0.437，p < 0.001；CI：[-0.565，-0.314]）。
接下来，我们在敏感性分析中旨在检查生物中风特征对模型结果的潜在混杂影响。包括中风区域和TOAST类型并没有显著改变总体模型结果。在更新后的MLR模型中，以下被发现是显著或边缘显著的预测变量：牙科就诊×年龄（b = -0.656，p = 0.002；CI：[-1.077，-0.239]）、牙科就诊×种族（黑人；b = -0.482，p = 0.025；CI：[-0.962，-0.100]）、牙科就诊×教育（b = 0.399，p = 0.067；CI：[0.007，0.854]）、性别（女性）（b = -0.992，p = 0.017；CI：[-1.779，-0.166]）、基线MoCA（b = -0.439，p < 0.001；CI：[-0.559，-0.298]）。
基于牙周疾病状态变化的调节效应检查
检查牙科就诊次数与牙周疾病状态变化之间关系的相关性分析显示高度显著的负相关[r_s(238) = -0.327，p < 0.001]。因此，两种干预条件下较高的牙科就诊频率与牙周健康结果的改善相关。接下来，我们在简化MLR模型中将牙周疾病状态变化作为主要预测变量输入，替换了牙科就诊次数并基于牙周疾病状态变化输入交互项。我们复制了年龄和教育的类似调节效应模式，但在检查牙周疾病状态变化与种族之间的交互作用时，我们没有发现类似模式。在更新后的MLR模型中，以下被发现是显著或边缘显著的预测变量：牙周疾病变化×年龄（b = 0.491，p = 0.060；CI：[-0.106，0.981]）、牙周疾病变化×教育（b = -0.578，p = 0.025；CI：[-1.077，-0.012]）、性别（女性；b = -0.925，p = 0.042；CI：[-1.864，-0.095]）、基线MoCA（b = -0.361，p < 0.001；CI：[-0.488，-0.246]）。
讨论
在这项对PREMIERS试验的二次分析中，我们应用了数据驱动的统计方法来识别三个关键的人口统计学调节因子——年龄、种族和教育——这些因子塑造了牙科护理与PSCD之间的关系。具体而言，牙科治疗的更多暴露与老年人、黑人成年人以及低到中等教育水平个体的认知结果改善相关。
年龄是最可靠显著的调节因子，老年人从中获得最大的认知益处。这与衰老和PSCD脆弱性之间的稳健关系一致（Lo等，2022）。与年龄相关的脑结构和免疫功能变化——包括白质完整性减弱、血管重塑缺陷和炎症特征改变——可能使老年人更容易出现更陡峭的认知能力下降（Cabeza等，2018；Rost等，2022；Aamodt等，2023）。然而，这些相同的生物脆弱性也可能增强对调节系统性炎症的干预措施的反应性。口腔健康干预可能有助于逆转"炎症衰老"的某些组成部分并恢复免疫韧性（Franceschi等，2018；Finger等，2022）。虽然当前研究未能充分测量详细的牙周参数和口腔炎症生物学，但未来研究深入探讨这些因素以建立牙科护理、炎症、衰老和认知结果之间的机制途径至关重要。衰老还与支持心理韧性的神经网络中的功能连接减少相关（Chen等，2025），健康促进行为（如口腔护理）可能通过提高自我效能和参与度来加强这些网络。这些机制表明，衰老不仅是风险因素，也是针对中风幸存者认知结果的杠杆点。
种族也是一个显著的调节因子，黑人成年人从牙科治疗中获得更大的认知益处。这与研究表明黑人个体通常经历更严重的牙周疾病和对PSCD更大的易感性相关（Levine等，2018；Sarfo等，2020；Gillone等，2023；Wang等，2023）。这种观察到的模式可能反映了潜在的炎症负担、遗传易感性和不同的干预反应。尽管存在这些差异，行为干预——如计算机化认知训练——在黑人成年人中显示出更大的积极效果（Nwosu等，2024）。同样，血管干预措施（如高血压管理）提供了减轻种族认知差异的独特机会。例如，一项队列研究发现，黑人和白人成年人之间的认知差异部分由收缩压水平解释（在控制收缩压后，认知差异在统计学上不显著；Levine等，2020）。鉴于牙周疾病与高血压等血管状况之间的系统联系，针对性的牙科干预可能产生相同效果。我们的发现表明，口腔护理可能代表一种同样有效的策略，通过针对可改变的炎症和血管途径来减少认知差异。
也许最引人注目的是，教育程度以意想不到的方向调节认知结果：与高等教育（大学学位）相比，低中等教育水平的个体从牙科护理中获得了最大益处。这似乎与"高等教育总是提供更大认知韧性"的假设相矛盾。一些证据表明，受过更多教育的个体可能藏有更大的潜在神经病理学，这些神经病理学被补偿机制所掩盖，直到达到某个阈值——之后认知能力会急剧下降（Scarmeas等，2006；Verlinden等，2016）。在中风人群中，大学教育的个体在中风后执行功能下降更为陡峭（Springer等，2025）。这些个体也可能对健康干预反应较差，如果他们的神经病理学负担太严重而无法再改变。相比之下，中等教育水平的个体可能代表认知储备的"最佳点"——中等病理仍对口腔护理等系统性干预反应良好。这一解释与亚洲和欧洲中风队列的研究结果一致，在这些研究中，较低的教育水平预测了更差的恢复，但也表明对治疗相关收益具有更大的潜力（Shin等，2020；Elgh和Hu，2023）。
此外，值得注意的是，对于未来专注于牙科护理干预效果的研究，我们发现基线认知和女性性别可预测PSCD，但二者均未调节牙科就诊的效果。较高的基线整体认知与较低水平的PSCD相关，可能表明具有较高认知储备水平的个体对PSCD更具抵抗力，尽管这一点尚未得到全面测试（Tao等，2023；Li等，2022）。此外，我们的结果显示，与男性相比，女性性别与PSCD减少相关。虽然当前关于PSCD性别特异性模式的总体研究结果不一，但这一发现至少与一些证据一致，即女性可能在认知的某些领域（如言语记忆）中对神经缺陷具有独特保护作用（Zinman等，2023；Exalto等，2023）。尽管这些变量可能不直接与牙科护理相互作用以影响认知健康，但应将它们包含在预测PSCD的统计模型中，以解释它们的独立影响。
关于检查干预组效果的敏感性分析，我们发现包含此组控制变量并未显著影响结果的总体模式。所有三个突出的调节效应仍然具有统计学显著性（年龄、种族和教育）。关于我们的分层分析，结果显示只有在强化治疗条件下才能检测到这三个调节效应的总体模式。然而，鉴于样本量小到中等，模型中预测变量数量相对较大，我们建议谨慎解释这些子样本结果。同样，检查药物依从性和生物中风特征潜在混杂效应的敏感性分析表明我们的结果总体稳健。
关于涉及牙周疾病状态变化的分析，我们发现了互补结果，也开始建立牙科干预与生物机制之间的机制联系。具体而言，我们发现牙科就诊次数增加与牙周疾病状态改善相关。此外，当我们用牙周疾病变化替换牙科就诊次数时，复制了年龄和教育的类似调节效应模式。种族调节效应不一致的具体原因可能是未来研究的途径。
总之，这些发现表明，当根据年龄、种族和教育背景对亚群进行定制时，预防PSCD的干预措施可能更有效。大多数现有的认知康复策略产生小到中等的效果（Oberlin等，2017；Sun等，2021），很少有设计考虑到人群特异性反应性。我们的结果强调了分层试验设计、针对性招募策略和亚组分析的必要性，以最大化和检测弱势群体中的功效（Elkind等，2020；Chavez等，2024）。
尽管本研究有优势，但也应承认几个局限性。分析的统计功效不足以检测小的调节效应，与种族相关的结果基本上仅限于黑人和白人参与者之间的比较。此外，所有结果均来自相对较小的样本量，需要谨慎解释。此外，我们没有测量抑郁症状，抑郁可能混淆或介导年龄、性别、教育、牙科护理和PSCD之间的统计关系（Lo等，2022；Shin等，2022）。中风后抑郁症是一种常见疾病，已知特别影响纵向认知结果（Butsing等，2024；Liang等，2023）。最后，仅在1年内评估认知结果；需要更长期的随访来确定治疗效果的持久性。
总之，本研究确定了三类人群——老年人、黑人成年人和低中等教育水平个体——他们可能从牙科护理中独特受益，作为缓解PSCD的策略。这些发现支持将口腔健康整合到更广泛的认知干预框架中，并强调了中风康复中以公平为导向的精准方法的必要性。
【全文结束】