5D Library › 指—脑皮层放大、远端微针传入与卒中后认知网络重建的计算神经学 · English

第八章 实践与预注册检验

注

本章的核查表与试验方案用于研究与阅读文献,不是医疗建议。 核查表不能告诉你是否应当使用揿针,只能帮助你在读到一项疗效说法时把问题问清楚。试验方案是供独立研究机构参考的设计草案,必须经伦理委员会审查、在临床试验注册平台登记,并由有资质的临床团队实施;任何人都不应据此自行对卒中患者施针。

第一部分 四步核查表

第一至六章可以浓缩为一份四步核查表,用于阅读任何「某种外周刺激改善卒中后认知」的研究。

  1. 比较。 有没有与真实干预外观相同、操作相同的假干预?主要结论来自组间比较还是组内前后比较?主要比较的 p 值与效应量是多少(第六章)?
  2. 结局。 主要结局是不是事先写定的单一结局?它有没有上限?分析是否以基线为协变量?表格中的数字是否自洽,计数与百分比是否相符(第六章)?
  3. 机制。 机制证据来自人体、动物还是模型?「网络」是生理网络还是处方或文献的共现网络?模型中的「证明」是否被当成了经验结论(第一至三章)?
  4. 脑电。 多少人?有没有对照?睁眼与闭眼是否分开?指标与频段是否事先写定?展示的是组结果还是个别受试者(第四、五章)?

把核查表用于卢顺康的论文,结果如下表。这不是对论文的总体评价,而是说明在这四个方面,论文的证据能支持到哪里。

步骤 论文中的情况 能支持的结论
比较 开放标签加载设计,无假针;MoCA 有效率 p = 0.287,治疗后评分 P = 0.005(未调整基线) 论文报告的组间结果互相不一致,在开放标签与表格不自洽的情况下,不能确定加用揿针的额外效果;组内改善不能归于揿针
结局 主要指标 MoCA 以「有效率」分析;公式方向相反;有效率表计数不一致;多数「中位数」不可能是中位数 次要指标的组间差异需要原始数据复核后再解读
机制 网络为处方共现网络;分子机制来自大鼠脑外伤研究 说明了处方习惯与可能的研究方向,不构成疗效机制的证据
脑电 6 例自身前后,无对照,单例频谱,无统计 可作为预试验的可行性信息;「α 恢复」未经检验

第二部分 预注册的三臂随机对照试验

问题与设计选择

在卒中后轻度认知障碍患者中,在常规治疗之上,每天按揉三次的双手十二井穴真揿针,与外观和按揉完全相同、但不刺入皮肤的假揿针相比,4 周后的 MoCA 总分是否更高,且差别至少达到最小关注效应?

作者框架提出一个三臂设计:真揿针、经过验证的钝头不刺入假揿针、标准治疗;真、假两组都每天自按三次,以分离「按压行为本身」的效应。本书照写三臂,并作四点设计选择。第一,只设一个主要比较:真揿针对假揿针。这是唯一能回答「针体本身是否有作用」的比较;第二章已经说明,按揉提供了方案中最稳定的传入,而它在两组中相同。第二,只设一个主要结局:第 4 周 MoCA 总分,以基线 MoCA 与中心为协变量作协方差分析。理由是:MoCA 是论文自己的主要量表,在卒中人群中有反应度研究 (Wu et al. 2019),便于与既有文献比较;第六章的模拟显示,协方差分析在有天花板时仍然保留了大部分把握度,并可以用托宾模型作敏感性分析。计算机化的计时测验没有上限,但练习效应大、版本与设备差异大,在卒中人群中缺少公认的临床重要差异,所以作为次要结局。第三,多重比较用固定顺序检验:主要比较以双侧 α = 0.05 检验;只有它显著,才以同样的 α 检验真揿针对标准治疗;假揿针对标准治疗只作描述性估计(它估计的是按揉、注意与预期的合并效应)。第四,由独立机构实施:方案、分析代码与判定规则在第一例入组前公开登记,作者不参与招募、干预、评估与分析。

方案

要素 规定
实施与登记 由与作者无关的多中心临床研究团队实施;各中心伦理委员会批准;在中国临床试验注册中心(ChiCTR)或同等平台注册;按 SPIRIT/CONSORT 与针刺试验报告规范 STRICTA 撰写与报告 (Schulz et al. 2010; MacPherson et al. 2010);不从作者的社群、学员或客户中招募
参与者 40–80 岁;首次缺血性卒中后 2 周至 6 个月;MoCA 18–25 分(受教育 ≤ 12 年者加 1 分,按原版与北京版的计分说明);能独立完成手指按压;排除痴呆、严重失语、凝血功能障碍或正在使用抗凝药物(由中心医师判断)、手部皮肤破损或感染、对针具或胶布过敏、近 3 个月接受过井穴针刺或揿针者
随机化 中央网络随机系统,1:1:1,按中心与基线 MoCA(18–21、22–25)分层,区组大小可变且不公开;分析时调整分层因素 (Kahan and Morris 2012)
干预 真揿针:Φ0.18 mm × 0.9 mm,双手十二井穴;假揿针:外观、包装与胶布相同,去掉针体的已验证安慰装置;两组都在每天固定时段按揉 3 次、每次每穴 2–3 分钟,每 24 小时由研究护士更换;每周 5 天,共 4 周。标准治疗组只接受常规治疗。所有组的常规药物与康复治疗按各中心常规,不限定、但逐项记录
设盲 参与者(真、假两组)、结局评估者与统计分析人员设盲;贴针的研究护士无法完全设盲,与评估者分开,并按脚本与参与者交流;标准治疗组对参与者不设盲
预试验 正式试验前,在 30 名卒中患者中检验假揿针的设盲(Bang 指数 (Bang et al. 2004)),若真揿针组的指数高于 0.2,修改装置后重做
主要结局 第 4 周 MoCA 总分(使用与基线不同的平行版本以减少练习效应);协方差分析,协变量为基线 MoCA 与中心;主要比较:真揿针对假揿针
敏感性分析 把 30 分视为删失的托宾模型;按方案集分析;在随机缺失假设下的多重插补,以及偏离该假设的情景分析
次要结局 第 8 周 MoCA;MMSE (Folstein et al. 1975);连线测验、数字广度、斯特鲁普色词与符号—数字测验;日常生活能力;不良事件;Bang 设盲指数;第 2 周与第 4 周闭眼前额 α 相对功率(第五章方案)。均为描述性或探索性分析
中介分析 预先指定的次要分析:第 2 周闭眼前额 8–13 赫兹相对功率是否中介真揿针对假揿针在第 4 周 MoCA 上的差别

中介分析需要的假设

随机分组保证了「分组 → 结局」与「分组 → 中介变量」的效应可以无偏估计,但不能保证「中介变量 → 结局」的关系没有混杂。中介效应的因果解释至少需要四个假设 (Imai et al. 2010; VanderWeele 2015):中介变量与结局之间没有未测量的混杂(例如警觉水平、睡眠或抑郁同时影响 α 功率与 MoCA);没有受分组影响的中介—结局混杂因素;中介变量在时间上先于结局(所以本方案在第 2 周测 α、第 4 周测 MoCA);分组与中介变量对结局的交互作用已在模型中处理。这些假设无法从数据中完全检验,所以中介分析的结论只能写成「在上述假设下」,并报告对未测量混杂的敏感性分析。第四章已经说明,α 功率受睁眼闭眼、唤醒与困倦的强烈影响;即使中介效应「显著」,也不能单独证明「α 恢复是揿针起作用的途径」。

最小关注效应与样本量

最小关注效应定为 MoCA 1.5 分。理由是:论文没有报告标准差,前期研究报告的治疗后 MoCA 标准差在 2.88 到 4.83 之间(论文第 2.2.1.2 节),本方案取 3.0 作为规划假设;1.5 分是这一标准差的一半,即常用的「半个标准差」界值 (Norman et al. 2003);小于这一差别,就不值得为每天十几分钟的按揉和针具成本改变做法。基线与第 4 周的相关取 0.5。这些都是需要在预试验中核对的规划假设。

推导

# Chapter 8. Sample size, genuine vs sham press needles (both pressed 3 times a day).
# Primary outcome: MoCA at week 4 by ANCOVA (baseline, centre). Planning assumptions:
# SD 3.0, baseline-outcome correlation 0.5, SESOI 1.5 points, two-sided 0.05, power 90 %.
# n per arm = 2 (z_0.975 + z_0.90)^2 s^2 (1 - r^2) / d^2 + z_0.975^2 / 4, then checked by
# simulation with integer scores, the 18-25 inclusion window and the ceiling at 30.
import math, random, statistics

Z = statistics.NormalDist().inv_cdf
SD, RHO, D = 3.0, 0.5, 1.5

def n_formula(sd=SD, rho=RHO, d=D, power=0.90):
    za, zb = Z(0.975), Z(power)
    return 2 * (za + zb) ** 2 * sd ** 2 * (1 - rho ** 2) / d ** 2 + za ** 2 / 4

def one_trial(rng, n, delta, mean_post=25.0):
    rows = []
    for arm in (1, 0):
        for _ in range(n):
            while True:
                b = rng.gauss(21.5, 3.0); bo = round(b)
                if 18 <= bo <= 25:
                    break
            e = rng.gauss(0, SD * math.sqrt(1 - RHO ** 2))
            y = mean_post + delta * arm + RHO * (b - 21.5) + e
            rows.append((arm, bo, min(30, round(y))))
    n2 = len(rows); mx = math.fsum(r[1] for r in rows) / n2
    # ANCOVA via residualising on baseline within the pooled sample
    X = [(1.0, r[0], r[1] - mx) for r in rows]; Y = [r[2] for r in rows]
    S = [[math.fsum(x[i] * x[j] for x in X) for j in range(3)] for i in range(3)]
    v = [math.fsum(x[i] * y for x, y in zip(X, Y)) for i in range(3)]
    inv = invert3(S)
    beta = [math.fsum(inv[i][j] * v[j] for j in range(3)) for i in range(3)]
    res = [y - math.fsum(bb * xx for bb, xx in zip(beta, x)) for x, y in zip(X, Y)]
    s2 = math.fsum(r * r for r in res) / (n2 - 3)
    z, df = Z(0.975), n2 - 3
    tcrit = z + (z ** 3 + z) / (4 * df)                 # t quantile, Cornish-Fisher
    return abs(beta[1] / math.sqrt(s2 * inv[1][1])) > tcrit, \
        sum(1 for r in rows if r[0] == 1 and r[2] == 30) / n

def invert3(S):
    a, b, c = S[0]; d, e, f = S[1]; g, h, i = S[2]
    det = a * (e * i - f * h) - b * (d * i - f * g) + c * (d * h - e * g)
    return [[(e * i - f * h) / det, (c * h - b * i) / det, (b * f - c * e) / det],
            [(f * g - d * i) / det, (a * i - c * g) / det, (c * d - a * f) / det],
            [(d * h - e * g) / det, (b * g - a * h) / det, (a * e - b * d) / det]]

if __name__ == "__main__":
    n0 = n_formula()
    print(f"normal theory: n = {n0:.3f} -> {math.ceil(n0)} per arm"
          f" (residual SD {SD * math.sqrt(1 - RHO ** 2):.2f})")
    rng = random.Random(2026); chosen = None
    for n in (math.ceil(n0), 68, 72, 76):
        res = [one_trial(rng, n, D) for _ in range(2000)]
        pw = sum(r[0] for r in res) / len(res); se = math.sqrt(pw * (1 - pw) / 2000)
        top = math.fsum(r[1] for r in res) / len(res)
        print(f"   simulated power, n = {n}/arm: {pw:.3f} (s.e. {se:.3f});"
              f" treated arm at 30: {top:.0%}")
        if chosen is None and pw - 2 * se >= 0.90:
            chosen = n
    t1 = sum(one_trial(rng, chosen, 0.0)[0] for _ in range(2000)) / 2000
    print(f"   smallest n with power - 2 s.e. >= 0.90: {chosen}; type I error there"
          f" {t1:.3f}")
    plan = math.ceil(chosen / 0.85)
    print(f"planned: {chosen} analysable per arm; 15 % loss -> {plan} randomised"
          f" per arm,\n   {3 * plan} in three arms (1:1:1)")
    print("sensitivity, analysable per arm (normal theory):")
    print("   SESOI \\ rho        0.3    0.5    0.7")
    for d in (1.0, 1.5, 2.0):
        print(f"   {d:4.1f} points    " + "".join(
            f"{math.ceil(n_formula(rho=r, d=d)):7d}" for r in (0.3, 0.5, 0.7)))
# normal theory: n = 64.005 -> 65 per arm (residual SD 2.60)
#    simulated power, n = 65/arm: 0.894 (s.e. 0.007); treated arm at 30: 14%
#    simulated power, n = 68/arm: 0.898 (s.e. 0.007); treated arm at 30: 14%
#    simulated power, n = 72/arm: 0.919 (s.e. 0.006); treated arm at 30: 14%
#    simulated power, n = 76/arm: 0.930 (s.e. 0.006); treated arm at 30: 14%
#    smallest n with power - 2 s.e. >= 0.90: 72; type I error there 0.057
# planned: 72 analysable per arm; 15 % loss -> 85 randomised per arm,
#    255 in three arms (1:1:1)
# sensitivity, analysable per arm (normal theory):
#    SESOI \ rho        0.3    0.5    0.7
#     1.0 points        174    143     98
#     1.5 points         78     65     44
#     2.0 points         44     37     26

正态理论公式给出每组 64.005,取整为 65 例可分析。程序随后模拟论文的纳入范围(基线 18–25 分)、整数评分与 30 分的上限:每组 65 例时把握度为 0.894,68 例时为 0.898,72 例时为 0.919;按「把握度减两个标准误不低于 0.90」的规则取每组 72 例可分析,此时没有效应时的第一类错误率为 0.057(模拟标准误约 0.005)。按 15% 的失访与无法评估率,每组随机 85 例,三组共 255 例。敏感性表显示,若最小关注效应取 1.0 分,每组需要 143 例;若基线与结局的相关只有 0.3,1.5 分的效应需要 78 例。

按第 33 本第六章的结果,「90% 把握度」指的是在真实效应恰好等于 1.5 分时,得出「真揿针较好」(置信区间下限大于 0)这类结论的概率约为 90%;在这种情况下,最强的结论「至少高出 1.5 分」只有约 2.5% 的机会出现。

判定规则

推导

# Decision rule, fixed before unblinding. Primary comparison: genuine versus sham press
# needle. D = adjusted difference in week-4 MoCA (ANCOVA: baseline MoCA, centre), with
# its 95 % CI. SESOI 1.5 points. Gates, checked first: more than 20 % of randomised
# participants without a primary outcome; allocation revealed to outcome assessors
# before database lock. Pre-specified qualifier: a Bang blinding index above 0.2 in
# the genuine arm (participants guessing correctly beyond chance). A serious-adverse-
# event excess in the genuine arm is reported first, whatever the efficacy result.
SESOI = 1.5

def verdict(d, lo, hi, missing=0.08, bang=0.05, revealed=False, sae_excess=False):
    pre = "SAFETY SIGNAL REPORTED FIRST; " if sae_excess else ""
    for bad, why in ((missing > 0.20, f"{missing:.0%} without primary outcome"
                                      " (limit 20 %)"),
                     (revealed, "allocation revealed to assessors before lock")):
        if bad:
            return f"{pre}D = {d:+.2f}: NOT INTERPRETABLE - {why}"
    if lo >= SESOI:   v = "benefit of at least the SESOI"
    elif lo > 0:      v = "benefit, but not shown to reach the SESOI"
    elif hi < 0:      v = "sham better than genuine"
    elif lo >= -SESOI and hi <= SESOI: v = "no difference worth acting on"
    else:             v = "unclear: the interval is too wide to decide"
    if bang > 0.2:
        v += f"\n    qualifier: Bang index {bang:.2f}, participants guessed their"
        v += "\n    allocation; expectation may explain part of D"
    return f"{pre}D = {d:+.2f} ({lo:+.2f} to {hi:+.2f}): {v}"

for case in ((2.4, 1.6, 3.2), (1.1, 0.2, 2.0), (0.3, -0.6, 1.2), (-0.9, -1.8, -0.1),
             (0.5, -1.7, 2.7), (2.0, 1.0, 3.0, 0.08, 0.35), (1.0, 0.1, 1.9, 0.26),
             (0.2, -0.7, 1.1, 0.05, 0.0, False, True)):
    print(verdict(*case))
print("secondary outcomes (MMSE, timed tests, frontal 10-Hz alpha power, the comparisons")
print("  with usual care) are reported with intervals; they never change the verdict")
# D = +2.40 (+1.60 to +3.20): benefit of at least the SESOI
# D = +1.10 (+0.20 to +2.00): benefit, but not shown to reach the SESOI
# D = +0.30 (-0.60 to +1.20): no difference worth acting on
# D = -0.90 (-1.80 to -0.10): sham better than genuine
# D = +0.50 (-1.70 to +2.70): unclear: the interval is too wide to decide
# D = +2.00 (+1.00 to +3.00): benefit, but not shown to reach the SESOI
#     qualifier: Bang index 0.35, participants guessed their
#     allocation; expectation may explain part of D
# D = +1.00: NOT INTERPRETABLE - 26% without primary outcome (limit 20 %)
# SAFETY SIGNAL REPORTED FIRST; D = +0.20 (-0.70 to +1.10): no difference worth acting on
# secondary outcomes (MMSE, timed tests, frontal 10-Hz alpha power, the comparisons
#   with usual care) are reported with intervals; they never change the verdict

示例结果是编造的。前置条件中任何一项不满足(超过 20% 的随机参与者没有主要结局、结果锁定前分组向评估者泄露),无论主要结局如何,报告都写「不可解释」。真揿针组严重不良事件多于对照组时,安全信号写在最前面。只有当置信区间下限不低于 1.5 分时,报告才写「获益至少达到最小关注效应」;下限高于 0 但低于 1.5 分时写「有获益,但未显示达到最小关注效应」;上限低于 0 时写「假揿针较好」;区间落在 ±1.5 分之内时写「没有值得据此改变做法的差别」;其余情形写「无法判断」。Bang 指数高于 0.2 时附加限定语:参与者猜中了分组,预期可能解释部分差别。

这项试验不能说明什么

第一,它只检验一种针具、一组穴位、一种按揉频率与 4 周疗程,不能推广到放血、电针或其他穴位。第二,不刺入皮肤可能改变患者按揉的方式与力度,设盲检验只能部分排除这一点。第三,它不检验第一至三章的可控性、皮层放大、随机共振与可塑性机制。第四,前额 α 的中介分析依赖无法完全检验的假设。第五,结论不能推及重度认知障碍、失语或急性期患者。第六,4 周结局与 8 周随访不能回答长期效果。第七,如果结果是「没有值得据此改变做法的差别」,那就是本试验的结论,不能用次要结局、亚组或脑电指标替代。

伦理与利益冲突

揿针是医疗器械,贴针、更换与不良事件处理由有资质的研究护士与医师负责;设立独立的数据与安全监查委员会;参与者可随时退出而不影响常规治疗。无论结果正负,方案、统计分析计划、分析代码与汇总结果都将公开,去标识化的个体数据按数据共享声明提供;作者不参与招募、干预、评估与分析。

利益披露

作者以 5D Library 的著作(包括本书)作为其社群课程、升维牌卡(5D Ascension Cards,Dimensional Shift Card Decks)与 Yafu AI 知识库的方法论基础,因此与本书主题有商业利益关系。本书不推销任何课程、牌卡或服务;第八章的试验设计为由独立于作者企业的研究人员实施和分析,不从作者的社群、学员或客户中招募;书中所有代码与研究方案均公开,供任何人检验。本书第一至六章大量引用卢顺康 2024 年公开的硕士学位论文;本书由 5D Library 作者独立撰写,未经论文作者、其导师或天津中医药大学审阅或认可,书中对论文数据的再分析与核查意见由本书作者负责。作者不销售针具或医疗服务。

本章小结

四步核查表从比较、结局、机制与脑电四个方面阅读外周刺激改善认知的研究;用于卢顺康的论文时,它显示论文报告的组间结果互相不一致,不能确定加用揿针的额外效果,次要结果需要原始数据复核,机制与脑电证据只能提示研究方向。预注册的三臂试验以真揿针对假揿针为唯一主要比较(两组都每天按揉三次),以第 4 周 MoCA 总分的协方差分析为唯一主要结局,最小关注效应 1.5 分,每组 72 例可分析、85 例随机,三组共 255 例,判定规则写成代码;前额 α 只作为预先指定的次要中介分析,并写明其假设。试验由独立机构实施,无论结果如何都公开。

参考文献

Bang, Heejung, Liyun Ni, and Clarence E. Davis. 2004. “Assessment of Blinding in Clinical Trials.” Controlled Clinical Trials 25 (2): 143–56. https://doi.org/10.1016/j.cct.2003.10.016.
Folstein, Marshal F., Susan E. Folstein, and Paul R. McHugh. 1975. “‘Mini-Mental State’: A Practical Method for Grading the Cognitive State of Patients for the Clinician.” Journal of Psychiatric Research 12 (3): 189–98. https://doi.org/10.1016/0022-3956(75)90026-6.
Imai, Kosuke, Luke Keele, and Dustin Tingley. 2010. “A General Approach to Causal Mediation Analysis.” Psychological Methods 15 (4): 309–34. https://doi.org/10.1037/a0020761.
Kahan, Brennan C., and Tim P. Morris. 2012. “Improper Analysis of Trials Randomised Using Stratified Blocks or Minimisation.” Statistics in Medicine 31 (4): 328–40. https://doi.org/10.1002/sim.4431.
MacPherson, Hugh, Douglas G. Altman, Richard Hammerschlag, et al. 2010. “Revised STandards for Reporting Interventions in Clinical Trials of Acupuncture (STRICTA): Extending the CONSORT Statement.” PLoS Medicine 7 (6): e1000261. https://doi.org/10.1371/journal.pmed.1000261.
Norman, Geoffrey R., Jeff A. Sloan, and Kathleen W. Wyrwich. 2003. “Interpretation of Changes in Health-Related Quality of Life: The Remarkable Universality of Half a Standard Deviation.” Medical Care 41 (5): 582–92.
Schulz, Kenneth F., Douglas G. Altman, and David Moher. 2010. “CONSORT 2010 Statement: Updated Guidelines for Reporting Parallel Group Randomised Trials.” BMJ 340: c332. https://doi.org/10.1136/bmj.c332.
VanderWeele, Tyler J. 2015. Explanation in Causal Inference: Methods for Mediation and Interaction. Oxford University Press.
Wu, Ching-Yi, Shuan-Ju Hung, Keh-chung Lin, Kai-Hua Chen, Poyu Chen, and Pei-Kwei Tsay. 2019. “Responsiveness, Minimal Clinically Important Difference, and Validity of the MoCA in Stroke Rehabilitation.” Occupational Therapy International 2019: 2517658. https://doi.org/10.1155/2019/2517658.

Fan, Y. (2026). Finger–Brain Cortical Magnification, Distal Microneedle Afference and Computational Neurology of Post-Stroke Cognitive Network Reconstruction: From Complex-Network Pinning Control and Thalamocortical 10 Hz Alpha Restoration to Drift-Diffusion Models, Read Beside the Twelve Jing-Well Points of the Lingshu [指—脑皮层放大、远端微针传入与卒中后认知网络重建的计算神经学] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23839915 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).