摘要
本研究探讨了新冠后状态个体的眼动障碍是否可作为认知障碍的生物标志物，正如在其他神经系统疾病中所观察到的那样。使用眼动仪记录了包括注视、扫视和平滑追踪以及瞳孔大小变化在内的眼动指标。通过已建立的神经心理学测试评估认知表现：数字符号测试、倒背数字广度、轨迹制作测试（TMT）、斯特鲁普颜色与词语测试（SCWT），以及用于语音流畅性的口头词语联想测试（COWAT）和用于语义流畅性的动物命名任务。分析共纳入103名新冠后状态参与者。采用统计相关性和K-means聚类分析眼动数据与认知测试结果之间的关系。眼动指标与认知测试得分之间的相关性适中，范围从0.210到0.371。基于眼动指标将参与者分为三组，结果显示认知表现存在统计学显著差异。这些发现表明，眼动追踪不受语言障碍和教育水平等因素的影响，可作为评估新冠后状态认知障碍的可靠方法。该方法可补充神经心理学测试，提供更易获取和客观的评估工具。研究注册：ClinicalTrials.gov，标识符NCT05307575（2021年10月1日）和NCT05846126（2023年5月1日）。
引言
新冠后状态（PCC）是指在COVID-19感染发病后通常3个月出现、持续至少2个月且不能归因于其他诊断的一系列症状[1]。这些症状可能从初始疾病持续存在，也可能在急性期康复后完全新出现[1]。PCC的全球患病率估计为43%[2]，其中急性期因严重感染需住院的个体患病率高于未住院的轻度感染者[2]。
PCC诊断没有最低症状数量要求，受影响的个体常呈现涉及多个器官和系统的广泛表现。常见症状包括疲劳、头痛、嗅觉或味觉改变以及气短[3]。认知和神经精神症状，如脑雾、注意力困难和意识模糊，也常被报告。通过神经心理学评估，已在PCC参与者中识别出客观的执行功能、工作记忆和处理速度损伤，且这些缺陷与住院状态或主观认知抱怨无关[4,5,6]。值得注意的是，报告认知抱怨的个体往往表现出更高水平的抑郁和疲劳[4]。总体而言，这些发现表明主观认知抱怨并非PCC客观认知障碍的可靠标志，凸显了系统性认知筛查的必要性。
神经心理学测试面临诸多挑战，如对轻度缺陷的敏感性有限、与年龄和教育水平的交互作用，以及需要时间和高度训练的专业人员。这促使开发替代方法和工具，以促进认知缺陷的早期和更具成本效益的诊断。在此框架下，眼动记录是一种潜在的诊断工具，因为某些来自指令性眼动任务的指标已被证明与认知测试表现相关[7]，且研究表明眼动可能作为认知障碍的潜在生物标志物[8]。例如，表征扫视功能不同方面的参数，如朝向扫视和反向扫视的潜伏期以及反向扫视的错误率，与执行功能相关，并被认为是皮层和皮层下功能的指标[9]。类似地，平滑追踪记录有助于评估或识别神经系统疾病个体的认知障碍，因为良好的平滑追踪表现需要一系列复杂过程，包括运动预测、错误检测和后续纠正[10]。此外，研究表明平滑追踪指标与认知和视觉处理相关，因此也可能与阿尔茨海默病中的其他认知领域相关[11]。
从理论角度看，类似原理可能适用于PCC。新冠后研究已报告弥漫性神经炎症变化[12]、影响注意和执行网络的小胶质细胞反应性[13]，以及纵向的额顶叶皮质变薄[14]。尽管这些发现未专门针对眼动通路，但它们涉及对注意定向和认知控制功能相关的大规模认知系统，从而为研究PCC中的眼动行为提供了合理的机制基础。
基于这一原理，多项研究已报告PCC中的眼动异常，包括扫视、平滑追踪、注视稳定性和瞳孔反应的改变[7,15,16]。值得注意的是，Benito-León等人[16]在PCC中识别出特征性的眼动模式，与额叶-皮层下回路功能障碍一致。此外，最近的纵向证据表明，SARS-CoV-2感染可导致眼动表现的持续损伤[17]，进一步支持了眼动追踪指标在表征PCC认知功能障碍中的相关性。
本研究旨在评估眼动作为PCC个体认知障碍生物标志物的潜力。为此，第一个目标是调查通过眼动追踪测量的眼动参数与PCC异质性群体中认知表现之间的关系。第二个目标是基于眼动追踪指标形成组群，并分析这些数据驱动的亚组间认知表现的差异。
材料与方法
参与者
参与Nautilus研究（ClinicalTrials.gov ID: NCT05307575）和Rehab COVID研究（ClinicalTrials.gov ID: NCT05846126）的PCC参与者，由Consorci Sanitari de Terrassa（西班牙巴塞罗那Terrassa）于2021年11月至2024年2月招募。研究方案经Consorci Sanitari de Terrassa药物研究伦理委员会（CEIm）批准（02-20-107-070），并按照赫尔辛基宣言设计。
PCC的纳入标准为：（a）根据WHO标准确诊COVID-19，急性期有疾病体征和症状；（b）感染后至少12周；（c）存在持续症状；（d）年龄18至65岁。参与者的排除标准为：（a）在COVID-19发作前已确诊的精神、神经、神经发育障碍或已知可导致认知缺陷的系统性病理；（b）妨碍神经心理学检查的运动或感觉异常；（c）1型或2型糖尿病，以确保不存在糖尿病神经病变可能导致的眼动改变；（d）眼内或屈光手术史；（e）青光眼或任何视网膜疾病；（f）确诊或疑似斜视；（g）立体视>100″；（h）双眼矫正近视力>0.2 logMAR。
神经心理学测试
参与者接受使用标准化神经心理学测试的注意力、处理速度和执行功能评估。评估由合格的临床神经心理学家进行。
数字符号测试用于评估信息处理速度和注意力的某些方面。它是一项纸笔认知任务，在一张纸上进行，要求个体根据页面顶部的键将符号与数字匹配。测试得分为90秒内正确符号的数量[18]。
工作记忆通过倒背数字广度评估[18]。参与者被要求以与呈现顺序相反的顺序重复数字。测量指标为广度，即参与者能重复的最大数字位数。
轨迹制作测试（TMT）[19]用于评估处理速度（A部分）和执行功能（B部分）[20,21,22]。在A部分，参与者按顺序连接编号圆圈，而B部分要求在数字和字母之间交替。表现按每部分的完成时间评分。
斯特鲁普颜色与词语测试（SCWT）用于评估处理速度和抑制认知干扰的能力[23,24,25]。它包括三个条件：词语阅读、颜色命名和颜色-词语干扰，后者要求参与者命名墨水颜色，同时抑制自动阅读印刷词语的倾向。表现按每个条件下正确回答的数量评分。
最后，口头词语联想测试（COWAT）用于评估语言流畅性[26,27]。语音流畅性要求参与者在一分钟内回忆以字母P、M、R开头的词语。类似地，语义流畅性使用“动物”类别评估，要求参与者在一分钟内尽可能多地命名动物。两项任务中，记录正确词语的总数作为最终得分[28]。
眼动记录
参与者参加第二次访问进行眼动记录，使用桌面式眼动仪EyeLink 1000 Plus（SR-Research Ltd., Ottawa-Ontario, Canada）在1000 Hz下进行双眼观看。在眼动和瞳孔反应记录之前，对参与者进行筛查以确认充足的近视力及双眼视功能，从而排除任何不符合纳入标准的参与者。眼动仪校准（平均校准精度±SD：0.83±0.71°）及后续眼动记录均在暗照明条件下进行。
参与者坐在距离17英寸液晶电脑显示器（1280×1024像素，帧率60 Hz）60厘米处，头部由下巴托支撑，并佩戴常规近用屈光矫正（如有）。首先，使用标准EyeLink 9点校准程序对每位参与者进行眼动仪校准。成功校准后，使用我们团队先前开发的一套视觉任务[15]来诱发并记录朝向扫视和反向扫视、平滑追踪和注视性眼动，以及瞳孔对光反应的大小变化。所有视觉刺激及完整视觉任务套件均使用Matlab（MathWorks, Natick-MA, USA）结合Psychophysics Toolbox库生成[29,30,31]。
为确保数据可靠性，注视和平滑追踪任务均进行两次。简言之，在注视任务中，记录参与者注视显示器中心0.5°十字时的眼动，先无任何其他刺激持续10秒，然后在不同显示器位置出现干扰物持续30秒。对于朝向扫视和反向扫视，参与者（接上文）对于朝向扫视和反向扫视，参与者被要求注视中央目标，并将目光转向位于中央目标不同幅度（5°、7.5°和10°）的周边目标（朝向扫视）或转向周边目标相反方向（反向扫视），遵循三种范式：Posner重叠、重叠和间隙[32,33]。平滑追踪眼动通过要求参与者追踪一个按正弦曲线然后线性（水平和垂直）运动的视觉刺激（0.3°）来诱发和记录。最后，瞳孔反应通过要求参与者注视位于显示器中心黑色背景上的白色十字，同时白色LED灯打开5秒来记录。在激活LED灯前后测量瞳孔大小以评估瞳孔扩张和收缩。
数据分析
眼动原始数据通过自定义算法在Python中以及眼动仪预加载软件进行预处理。最初，眼动仪软件识别眨眼，随后系统地移除眨眼前后200毫秒间隔的数据。此外，眼动仪软件结合两种不同的启发式滤波器[34]来平滑数据并去除信号噪声。自定义算法对扫视和注视检测进行了进一步滤波；对计算的速度信号应用了21个样本长度（21毫秒）的二阶Savitzky-Golay滤波器。使用自适应速度阈值识别扫视，该阈值根据信号噪声水平动态调整[35]。表1列出了所有用于进一步分析的眼动和瞳孔反应参数。
表1 从眼动追踪数据计算的眼动和瞳孔反应参数。 （全尺寸表格）
统计分析及K-means
对每个变量使用Shapiro-Wilk正态性检验分别评估数据分布。在神经心理学测试得分和眼动指标中，每对比较中至少有一个变量呈非正态分布。因此，使用偏Spearman相关检验其关系。所有相关均以参与者的受教育年限和年龄作为协变量进行调整。由于受教育年限与神经心理学测试得分高度相关，控制该变量可确保其对眼动指标相关性的影响被考虑在内。p值<0.05视为显著。分析使用RStudio版本2023.03.0 Build 386（© 2009–2023 Posit Software, PBC Boston, USA）和ppcor包进行偏相关和半偏相关。
对于平滑追踪和注视任务，确认了两次重复之间的一致性；为简洁起见，仅报告第一次试验。类似地，瞳孔变量显示双眼结果一致，仅报告右眼值。该方法确保了分析的可靠性，并最小化了随机显著相关的影响。由于操作原因，扫视测试仅应用于53名参与者的子组。在这种情况下，最初分别检查了不同刺激幅度（5°、7.5°和10°）下每种范式（间隙、重叠和Posner）的相关性。此外，还以另外三种方式分析了相关性：（1）对于每个刺激幅度，不考虑范式；（2）对于每个范式，不考虑刺激幅度；（3）所有范式和幅度的总体平均值。
除了相关分析，我们还应用了K-means聚类方法在眼动追踪数据中识别亚组。在聚类之前，使用主成分分析（PCA）进行降维[37,38]。使用局部离群因子（n_neighbors=20, contamination=0.10）识别离群值[39]。为确保变量解释的一致性，所有变量均进行调整，使较高值反映较好表现。然后将PCA成分得分提交给K-means聚类。尽管肘部法[40]显示k=5，但该解产生的聚类太小，无法在临床上有意义。因此选择了较低的k解，k=3在聚类大小和可解释性之间提供了最佳平衡。
对于每个识别的组，计算神经心理学测试得分的均值和标准差。为评估各组间认知表现的差异，对正态分布使用ANOVA，对非正态分布使用Kruskal-Wallis检验。对于分类变量如合并症，进行卡方检验。随后进行Bonferroni事后检验以确定组间特定的成对差异。
随后在每个组内进行内部相关分析，以检查这些亚群内变量之间的关系。识别每个组内变量间关系的不同模式将进一步验证聚类结果并突出其稳健性。
结果
共记录了115名参与者的眼动数据。然而，12名参与者未满足纳入标准，被排除在分析之外。由于主要因眼睑下垂、眼镜背反射等导致的间歇性数据丢失，不同视觉任务的有效记录数量略有不同。103名参与者可获得注视和平滑追踪数据，而92名参与者可获得瞳孔光反射数据。扫视任务仅对较小的亚组进行（朝向扫视n=53；反向扫视n=51），因为它们在实验方案后期才引入。表2显示了人口统计学、临床、视觉和报告症状的详细信息。
表2 PCC参与者（n=103）的人口统计学、临床、视觉、神经心理学和报告症状数据。神经心理学测试结果以原始分呈现。
全样本内的偏相关
在表3中，显示了神经心理学测试得分与所有眼动指标（包括注视、朝向扫视、反向扫视、平滑追踪和瞳孔反应）之间具有统计学显著性的相关性。以下对每种眼动类型的结果进行描述。
表3 注视、朝向扫视和反向扫视、平滑追踪及瞳孔反应任务中神经心理学测试与眼动追踪参数之间的显著相关性。
注视测试
在屏幕上显示干扰物的整个期间，观察到斯特鲁普测试与RMS标记之间存在显著负相关。斯特鲁普测试表现越高，注视稳定性越强（即RMS越低）。详细数值结果见表3。
扫视
特定范式分析显示，无论是朝向扫视还是反向扫视，均无显著关联。然而，当扫视指标跨范式和刺激幅度平均时，出现了若干有意义的关系。朝向扫视幅度与多项神经心理学测试（数字符号、倒背数字广度、TMT B、SCWT颜色和SCWT颜色-词语测试）的较低表现相关。此外，反向扫视方向偏差（特别是在10°幅度处）与多项测试（倒背数字广度、TMT A和TMT B、SCWT词语、SCWT颜色、SCWT颜色-词语测试）的表现呈正相关（表3）。
平滑追踪
SCWT颜色、SCWT颜色-词语和语义流畅性测试与平滑追踪任务的RMS呈负相关（表3）。这些发现表明，较低的RMS值（即更好地追踪刺激）与更好的神经心理学测试表现相关。
瞳孔反应
作为瞳孔大小数据的代表性示例，图1描绘了单次记录过程中瞳孔面积随时间的变化。
图1 瞳孔反应随时间记录的代表性示例。灰色区域是LED关闭的时间段，而LED开启的时间段以白色表示。
在此情况下，观察到与多项测试（包括倒背数字广度、TMT B部分和语义流畅性）存在边缘显著的相关性（表3）。具体而言，这些测试的更好表现通常与更大的瞳孔收缩相关。
主成分分析与K-means聚类
PCA分析和K-means聚类将参与者分为三组（组0、1和2），轮廓系数为0.32。该系数通过评估每个参与者在其所属组内与其它组的拟合程度来衡量聚类质量[41]。图2展示了三维主成分（PC）空间中的数据分布，每个点代表一名参与者。
图2 基于眼动追踪变量的参与者在PC空间中的分布（仅考虑前三个PC）：A 3D概览；B、C、D 正交二维投影。每个点对应一名参与者，颜色表示基于K-means聚类的组别归属。
为评估聚类解的内部稳定性，在200个不同随机种子中重复K-means。轮廓系数在不同种子间显示有限变异（均值=0.30，SD=0.03），聚类成员稳定性中等，平均调整兰德指数（ARI）为0.67（SD=0.31）[42]。
PC1反映平滑追踪表现，PC2捕捉瞳孔光反射动力学，PC3代表注视稳定性和追踪噪声。完整PCA载荷报告于补充表S1–S2。眼动变量的聚类中心（补充表S3–S4）揭示了三种不同的眼动剖面。聚类2显示中等追踪值，同时具有最稳定的注视模式和中等瞳孔反应。聚类1以高追踪增益、低RMS误差（跨轨迹）和更强的瞳孔反应为特征。聚类0表现出较低的追踪增益、较高的RMS误差、更大的注视不稳定性和较小的瞳孔反应。
表4显示了每组的人口统计学、临床、视觉、神经心理学和报告症状详细信息。各组间在人口统计学变量上未发现显著差异。虽然立体视和呼吸困难报告显示总体差异，但Bonferroni校正的事后检验未发现显著的成对差异。相比之下，在神经心理学测试得分（包括数字符号测试、SCWT颜色-词语和语义流畅性测试）中发现了显著差异。
表4 按PCC聚类分组的参与者人口统计学、临床、视觉和神经心理学数据：组0（n=17）、组1（n=64）、组2（n=22）。神经心理学测试结果以原始分呈现。
图3展示了每组神经心理学测试得分的平均值的条形图。组0在所有测试中持续表现出最低的平均表现，其次是组1，其表现居中（数字符号测试除外）。相比之下，组2表现出最高的平均表现（数字符号测试除外）。需注意，在TMT A和TMT B中，较高得分表示较差表现，因为它们代表完成任务所需的时间。在数字符号测试（p=0.032）和SCWT颜色-词语（p=0.028）中观察到组0和组1之间的显著差异。此外，在SCWT颜色-词语（p=0.008）和语义流畅性（p=0.049）中发现了组0和组2之间的显著差异。
图3 K-means聚类识别的每组内神经心理学测试得分的平均值的条形图。标准差以误差线显示。组间显著差异用星号表示：组0与组1在数字符号（p=0.032）和SCWT颜色-词语（p=0.027）之间；组0与组2在SCWT颜色-词语（p=0.008）和语义流畅性（p=0.049）之间。
各组内的偏相关
跨聚类，显著关联几乎仅出现在扫视指标中，并涉及大多数认知领域。具体而言，组0呈现13个扫视指标与神经心理学测试得分之间的显著相关，以及瞳孔扩张与倒背数字广度测试之间的显著相关。组1显示8个三个扫视指标的显著相关。组2呈现19个显著相关。组内偏相关结果详列于补充表S5。
讨论
本研究的第一个目的是评估在一组异质性PCC参与者中眼动追踪参数与认知表现之间的关系。在研究样本中发现了特定眼动指标与认知表现之间的显著关联。
在注视任务中，参与者被要求保持注视一个固定十字，包括有和无干扰物两部分。当存在干扰物时，较不稳定的注视与SCWT三个部分的较差表现相关，这与两项任务中所需的注意控制一致。
注视稳定性（以RMS测量）与SCWT的词语和颜色部分的表现显著相关，后者主要反映处理速度。该结果与先前在卒中患者中的研究一致，该研究显示注视指标与处理速度相关，特别是通过数字符号测试[43]。虽然处理速度并非注意力所独有，但其与注视稳定性的联系可能源于凝视控制所需的注意需求。注视稳定性还与SCWT的颜色-词语部分相关，后者主要评估抑制控制。这种关联与干扰物条件下的注意需求一致，即参与者必须抑制反射性眼动以维持注视。这些结果支持注视稳定性也依赖于需要抵抗干扰物的任务中的抑制控制。
鉴于扫视数据仅对53名参与者可用，相应关联的强度必然更为有限。扫视眼动任务的表现与全样本中的认知测量显示出显著相关。然而，特定范式分析显示，无论是朝向扫视还是反向扫视均无显著效应。当扫视幅度在所有刺激幅度（5°、7.5°和10°）和范式中平均时，更大的朝向扫视幅度与更好的工作记忆、处理速度和执行功能测试表现相关。应注意，朝向扫视关联仅存在于平均幅度测量中；幅度误差（低幅或高幅）或方向偏差均未与认知得分相关。这表明该效应不太可能反映准确性。跨范式平均可能反而捕捉到更广泛的扫视反应倾向，尽管该模式的认知相关性仍不清楚，有待进一步研究。
在反向扫视任务中，仅在最宽的刺激幅度下出现了与认知表现的显著相关。具体而言，更大的反向扫视方向偏差与较差的工作记忆、处理速度和抑制控制测试表现相关。反向扫视在认知上要求较高，其表现与抑制控制相关，因为要求参与者抑制看向刺激的反射冲动，并执行相反方向的自主运动[44,45]。在此意义上，具有更大反向扫视方向偏差的个体可能表现出效率较低的抑制机制。先前研究也发现不同人群中反向扫视表现与认知功能之间的关联。斯特鲁普干扰已与多发性硬化症患者[46]和轻度创伤性脑损伤患者[47]的反向扫视错误相关。注意力和工作记忆缺陷与精神分裂症患者[48]的反向扫视错误率增加显著相关。此外，工作记忆容量与健康年轻成人的反向扫视表现相关[49]。这些发现与我们的结果一起，强化了反向扫视表现与认知功能之间的稳健关系。
本研究中，按刺激幅度分组的扫视参数仅在全样本测试和组内相关中的最大幅度（10°）处显示出显著关联。这种模式可能反映了扫视系统的幅度依赖性特性。先前研究显示，小幅度扫视倾向于过度，而大幅度扫视倾向于不足，产生范围效应。因此，中等幅度（约4°-6°）表现出更高的准确性，因此变异性较小[50]。这种有限的变异性可能限制了对个体认知差异的检测。从测量角度看，小幅度扫视也更容易受到噪声影响，而较大轨迹显示出更清晰的信噪比。在神经层面，较大扫视需要上丘（产生运动）与支持规划、空间注意和抑制控制的额叶和顶叶区域之间更强的交互作用。由于这些区域也参与认知，较大扫视的表现可能更容易受到认知状态的影响[51]。本研究的发现初步表明，较大幅度扫视可能对检测PCC中的眼动-认知关联更具信息量。
与快速、离散的扫视运动不同，平滑追踪使眼睛能够稳定、准确地追踪移动物体。我们发现，追踪正弦轨迹的准确性与更好的抑制控制、认知灵活性和语义检索相关，而垂直平滑追踪准确性仅与更好的抑制控制相关。
正弦追踪涉及预测和持续调整不断变化的运动，依赖预期和预测过程[52]。这种类型的预测性追踪涉及支持规划和预期的额叶区域[53,54]、帮助整合运动信息的顶叶区域[55]以及微调眼速的小脑区域[56]。这或许可以解释为何它不仅与SCWT测试相关，还与同样依赖灵活、策略性检索的语义流畅性相关。相比之下，线性垂直追踪代表更简单的追踪任务，主要需要维持恒定速度。一个类似的考虑是水平与线性垂直追踪之间的各向异性。尽管两项任务均使用匀速运动，但垂直追踪通常效率较低，表现出比水平追踪更低的增益和更大的变异性[57]。垂直追踪可能增加对抑制控制和处理速度的依赖，从而有助于解释为何仅此任务显示出与认知功能的关联。垂直运动也更容易受到眼睑干扰（尤其是在向下注视位置）以及基于视频的眼动追踪中更高噪声的影响[58]。因此，观察到的各向异性可能反映了垂直追踪的更大任务需求与测量可靠性方面的适度差异的结合。
先前研究已识别出各种病理条件下个体平滑追踪眼动的缺陷。例如，精神分裂症患者的缺陷与执行功能损伤相关[59]。类似地，在轻度创伤性脑损伤个体中，预测性平滑追踪的缺陷与注意力和认知灵活性困难相关[60]。先前，我们团队[15]发现PCC参与者在水平平滑追踪期间表现出比健康对照组更多的校正性扫视，无论COVID-19严重程度如何。本研究的发现在此基础上，显示PCC样本中平滑追踪准确性与执行功能和语义检索相关。
最后，在整个样本中，更大的瞳孔收缩与更好的工作记忆、认知灵活性和语义流畅性表现相关。先前研究已将瞳孔测量学与认知过程联系起来，如健康儿童和成人的前向数字检索[61]以及健康成人通过SCWT测量的抑制控制[62]。然而，这些研究检查了认知参与期间的任务诱发瞳孔反应，而我们的测量反映了被动注视期间获得的光诱发瞳孔反应（PLR）。这种区别限制了直接可比性，并限制了可得出的解释。PLR主要反映自主神经和脑干机制，包括副交感通路，尽管它可能仍通过中枢唤醒系统（如LC-NE通路）间接调节[63]。为避免过度强调认知控制的作用，我们谨慎地解释观察到的相关性：观察到的关联符合瞳孔反应反映超出基本自主神经功能的认知过程这一观点，但并不暗示直接因果关系。其他方法学因素也可能影响PLR，应被视为局限性。这些包括一天中的时间、疲劳以及咖啡因或药物等物质，均可改变基础瞳孔大小和反应性。尽管环境光照标准化，但这些来源的残留变异性不能完全排除。
从效应量解释的角度看，大多数观察到的相关性落在心理和神经心理学研究中典型的适度范围内。根据经验基准[64]，我们研究中的大多数相关系数落在380项元分析报告分布的中上三分位（|ρ| ~0.20–0.37）。使用Spearman相关性的领域特定指南[65]，注视、平滑追踪和瞳孔关联落在中等范围（|ρ| ~ 0.21–0.29），而扫视参数的相关性达到个体差异研究的“大”范围（|ρ| ≥0.30）。然而，这些最强的扫视效应伴随着宽的置信区间（CI），例如|ρ| = 0.37，95% CI为0.11–0.58，表明其真实幅度存在较大不确定性。相比之下，来自注视和平滑追踪任务的较弱效应因样本量较大而显示出较窄的CI。尽管分析是基于假设驱动的，但由于检查了多个相关性，结果面临I类错误风险增加的问题。因此，这些发现应谨慎解释，视为初步趋势而非确定的临床标志物。需要复制和纵向研究来确定这些关联是否具有预后价值。
我们的第二个目的是基于K-means聚类与眼动追踪测量建立组群，并比较这些亚组之间的认知表现。此外，我们探索了每个组内眼动追踪参数与神经心理学变量之间的关系，以识别表现模式。机器学习先前已与眼动追踪数据结合用于分类临床人群。Yang等人[66]使用注视和视觉扫描模式区分抑郁症患者与健康对照。此外，他们根据眼动追踪指标的差异在临床人群中识别出不同的组群。Benito-León等人[16]分析眼动追踪指标以分类COVID-19合并认知障碍患者与健康对照。
我们的基于机器学习的聚类分析识别出三种不同的眼动特征剖面。获得的轮廓系数（0.32）落在Kaufman和Rousseeuw[67]描述的弱内部结构范围内。在200个随机种子中重复聚类产生了一致的轮廓值（均值=0.30，SD=0.03）和中等的成员稳定性（平均ARI=0.67，SD=0.31），表明虽然整体分区是可重复的，但个体参与者分配存在一些变异性。重要的是，诸如眼动指标等生理测量，本质上往往具有噪声，且个体间变异较大，这可能会模糊聚类边界。因此，应谨慎解释聚类结果。检查聚类中心（补充表S4–S5）揭示了三种特征性的眼动剖面。聚类2显示出最稳定的注视模式，并伴有中等追踪表现。聚类1显示出相反的模式，以及更强的瞳孔光反射反应。相比之下，聚类0表现出效率最低的眼动剖面。尽管聚类部分重叠，但这些中心模式表明，聚类捕捉到了眼动效率的一个梯度，其中聚类0代表最弱的剖面。
在此背景下，中等与较高表现组之间出现一定程度的重叠是意料之中的。与将患者与健康对照分类的研究（其中组间差异更大）[16,66]不同，本研究中的所有参与者均患有相同的疾病，表现为轻度且异质性的认知变化。这导致分布更广，并自然模糊了聚类边界，尤其是在中等剖面之间。在此框架下，眼动追踪指标似乎对识别明显受损的个体（聚类0）最为有效。
尽管边界模糊，亚组在认知表现上表现出一致的差异，为聚类解提供了外部验证。这些差异在涉及工作记忆和执行控制的任务中最为明显。综合来看，这些结果表明，即使在聚类内部结构较弱的情况下，眼动追踪指标也可能捕捉到了PCC样本中认知功能的有意义变异性。
组内相关性未揭示组间任何不同的模式。尽管显著相关性的数量有所不同（组0：13；组1：8；组2：19），但关联类型大多与扫视指标和最大幅度刺激相关，且几乎涉及所有评估的认知领域。这表明，虽然眼动追踪数据可以根据认知表现区分个体，但其灵敏度可能不足以检测眼动与认知之间联系的潜在机制差异。相反，聚类可能主要根据损伤严重程度对个体进行分组，而非根据不同的认知过程。另一种可能的解释是，聚类减少了组内的变异性，使得这些关系变得不那么明显。此外，尽管在情绪状态、疲劳或症状严重程度和持续时间方面未发现组间差异，但这些因素在测试时的波动可能影响了认知表现，从而可能为观察到的相关性引入噪声。
为解释研究结果，评估其优势与局限性至关重要。横断面设计是一个局限性，因为它仅提供了认知表现与眼动之间关系的快照。这凸显了进行纵向研究以监测PCC认知障碍随时间演变的重要性。此外，本研究缺乏一个大的对照组，限制了对对照组内相关性进行分析的能力。在聚类分析层面，中等的轮廓得分表明各组之间存在一定重叠。尽管未来研究可应用其他聚类方法（如层次或基于密度的算法）以潜在改善聚类可分离性，但数据的梯度式组织表明，聚类分离的实质性改善不太可能。然而，本研究的优势包括对PCC参与者进行综合评估的队列以及较大的样本量，并通过广泛认知测试进行评估。该方法通过排除有其他缺陷的个体，确保了一个认知纯净的样本。此外，尽管存在上述局限性，它通过在一系列孤立的眼动任务中检查一组独特的眼动参数，为理解眼动功能与认知表现之间的关系提供了有价值的见解。
结论
总之，我们的研究结果揭示了眼动表现与认知能力之间的显著关联，特别是在需要执行功能、注意力和处理速度的任务中。此外，聚类分析突出了与不同认知功能水平相关的不同眼动剖面，特别是对于认知得分最低的组。必须承认若干设计和数据局限性。相关效应量总体适中，由于样本量减少，扫视指标的置信区间较宽（例如|ρ| = 0.37，95% CI = 0.11–0.58）。聚类解仅显示出中等的凝聚力（轮廓=0.32）和不平衡的聚类大小。未来研究应进一步探讨眼动指标是否能提供关于认知状态的预测信息，超越其观察到的关联。尽管如此，其临床效用将取决于前瞻性验证和诊断准确性研究，以确定其预测价值以及作为真实临床常规一部分的可行性。考虑到神经心理学测试耗时且存在语言、社会差异等障碍以及需要专业人员，眼动追踪可作为现有认知方法的有效辅助工具。
【全文结束】