54名注意缺陷多动障碍儿童数字划消测试的时空特征分析

陈雨欣，王洪安，刘福临，姚梦梦 ，张 蕾 ，洪 琴 ，池 霞 ，禹东川*

1. 东南大学生物科学与医学工程学院（中国南京 210096）；2. 南京医科大学公共卫生学院 ( 中国南京 211166 ) ；3. 南京医科大学附属妇产医院 ( 中国南京 210004 )

划消测试（cancellation tests）［1-2］又被称为划消任务（cancellation tasks），广泛用于测量个体搜索某一类型刺激物（即目标），并同时忽略所有其他类型刺激物（即干扰物）的能力，因此被广泛用于包括注意缺陷多动障碍（attention-deficit/hyperactivity disorder, ADHD）［3-4］、孤独症谱系障碍［5］、学习障碍［6］、视觉空间忽视综合征［1,7］、脑卒中［8-9］、阿尔茨海默病［10-11］、轻度认知障碍［10］、帕金森病［12］、癫痫［13］、抑郁症［14］和创伤性脑损伤［15］等在内的众多神经精神疾病的临床评估。

根据目标与干扰物的类型不同（包括数字、英文字母、几何形状、图形等）以及排列方式（包括随机排列和矩阵排列等）的差异，划消测试所覆盖的内容十分丰富［9,15-16］。在众多划消测试项目中，数字划消测试（其目标物与干扰物是数字，而排列方式为矩阵排列）是其中最经典的测试范式，自20世纪90年代起已经在我国儿童发育行为临床实践中被使用。但遗憾的是，我国目前尚未建立数字划消的全国性常模数据，而且对于其临床应用也没有被充分报道。另一方面，数字划消测试任务的完成在传统上是依赖于纸笔测试，在测量指标和评分过程等方面均存在一些不足。首先，传统纸笔测试只能获得正确数、错误数、漏划数等静态指标，无法从手写动力学角度获得划消测试过程中纸笔交互的时空特征（即描述笔在纸上运动模式的时间和空间特性）；其次，传统方法需要人工记录时间并对正确数、错误数等指标进行人工统计。

为克服数字划消任务采用传统纸笔测试存在的不足，本文提出采用智能数字划消测试工具，以获得数字划消任务中纸笔交互过程的时空特征指标，并通过对ADHD临床数据的分析，来证实这些时空特征指标比传统评定指标净分（net score,NS）［16］具备更加良好的性能。

1 对象与方法

1.1 研究对象

2020年12月—2021年4月，在南京市妇幼保健院儿童保健科心理行为门诊部，随机选取被诊断为ADHD的儿童54名（其中男童42名）作为实验组，平均年龄为（7.25±1.71）岁；同时，从当地普通小学和幼儿园中随机挑选性别和年龄均与实验组儿童匹配的54名健康儿童作为对照组。实验组纳入标准：① 根据美国《精神障碍诊断与统计手册（第5版）》［Diagnostic and Statistical Manual of Mental Disorders （Fifth Edition）, DSM-5］的诊断标准，由专业医师明确诊断为ADHD；② 能完成韦氏幼儿智力量表第4版或韦氏儿童智力量表第4版；③ 能独立完成纸笔测试。对照组纳入标准：① 无神经精神疾病病史；② 按正常年龄入学，没有出现留级或跳级；③ 韦氏智力测试正常（即总智商大于85且小于115），学业成绩处于年级中位数水平；④ 能独立完成纸笔测试。

实验要求所有被试在划消测试任务开始之前充分了解实验细则，在征得其监护人或康复医师的同意后，自愿签署知情同意书，并被告知实验过程中可以随时宣布退出。在实验结束后，为他们提供一份详细的划消测试评分报告。该研究得到了东南大学伦理委员会的审查批准，实验程序符合《赫尔辛基宣言》。

1.2 方法

1.2.1 智能数字划消测试工具 采用课题组自主研发的智能数字划消测试工具。该工具主要由以下三部分构成。① 数字划消测试纸：标准的B5印刷纸；目标数字是“3”，其余数字为干扰项；每页任务纸共有26行40列数字，采取的是有序排列；在测试纸上布满了能反映空间位置的码点编码。②智慧笔：在笔尖上方嵌入了微型智能摄像头，可精确识别笔尖在纸面位置处的码点编码，进而识别出笔尖的实时坐标与时间信息，为数字划消测试评估指标的设定提供原始数据信息。③ 主机：通过蓝牙设备与智慧笔连接，获得笔尖的实时坐标和时间信息，实现对数字划消测试评定指标的提取。

1.2.2 数字划消测试的评定指标 选取了6项指标。① 划消准确度（Acc），定义为Acc=（n-w）/（n+o）。其中n代表划掉的符号总数，o代表漏划数，w代表错划数。因此漏划数和错划数越少，Acc越高（越接近1）。② 划消速度（SpC），定义为SpC=M其中M代表一行所包含的符号数量，N代表一列中所包含的符号数量；如果第i行符号中包含划掉的符号，那么Ri= 1，否则Ri= 0。因此划掉符号（数字）的行数越多，SpC越高。③ 注意力指数（SA），定义为SA = Acc×SpC。Acc和/或SpC越高，SA越高。④ 视觉搜索策略指数（VSS），定义为其中γi=arscin（|yi+1-yi|/di）；yi代表第i个划消符号的y轴坐标，di代表第i个划消符号和第i+1个划消符号之间的欧氏距离，n代表所有划掉的符号数量；VSS刻画的是划消符号的先后顺序，如果划消符号的过程是有序和按照统一的顺序，那么就能获得高分，相反就会获得低分。⑤ 视觉运动整合指数（VMI），定义为其中ti代表第i个圈的画圈时间，n代表所有划掉的符号数量。VMI刻画的是符号划消的平均时间，能反映被试的笔控能力和视觉运动加工的准确性。⑥ 多划指数（MNC），定义为其中nci= 1表示将第i个目标和其余数字同时都圈上的情况，否则为nci= 0；MNC反映的是被试笔控能力和视觉运动加工的准确性。

值得说明的是，为了去除年龄因素的影响，本文利用前期获得的各年龄段常模数据，将各项评估指标进行归一化处理，用Z分数作为各评估指标的测量结果。

1.2.3 实验步骤 利用智能数字划消测试工具，实验组和对照组儿童需要在2 min内从矩阵排列的数字中找到目标数字“3”并“圈”上该数字，而抑制其余数字的干扰。可以评定实验组和对照组儿童的注意力指数、划消准确度、划消速度、视觉搜索策略指数、视觉运动整合指数、多划指数这6项指标。为了与传统数字划消算法进行比较，我们也同步计算了NS这个被广泛采用的传统数字划消评定指标。NS = r-（w+0.5o），其中r代表划掉的正确符号个数；o代表漏划数；w代表错划数。

1.2.4 受试者工作特征曲线（receiver operating characteristic curve, ROC曲线） 应用ROC曲线分析方法［17］，本文将比较7种划消指标（包括本文提出的6种评定指标，以及1种传统的评定指标）在鉴别ADHD上的性能差异。ROC曲线分析的指标包括：ROC曲线下面积（area under curve, AUC）、最佳阈值及其对应的特异度、灵敏度、约登指数以及准确率。

1.3 统计学方法

在正式进入统计分析之前，本文首先利用Shapiro-Wilk检验和Levene’s检验查看统计变量的正态性和方差齐性。在未通过检验的情况下，优先使用非配对Wilcoxon秩和检验检查变量的组间差异。本文重点检查NS（传统评定指标）和基于智能数字划消测试工具的6种评定指标是否存在组间差异，以及这些差异是否受性别的影响。以上显著性水平α都设为0.05。整个统计分析过程在R包“rstatix”和“pROC”中进行（R版本为4.1.1）。

2 结果

2.1 不同划消测试评定指标的组间差异分析

分析结果显示：① 实验组NS、划消准确度、划消速度与对照组的差异均有统计学意义（P＜0.05）；② 与NS相比，注意力指数和多划指数这2个指标的组间差异更加显著（P＜0.000 1）；③ 视觉搜索策略指数与视觉运动整合指数这2个指标的组间差异无统计学意义（P＞0.05）。详见图1。

图1 不同划消指标的组间差异分析

2.2 不同性别的组间差异分析

分析结果显示：① 在NS、划消速度、视觉搜索策略指数和视觉运动整合指数这4个指标上，男童和女童的组间差异均无统计学意义（P＞0.05）；② 在划消准确度、注意力指数、多划指数这3个指标上，男童和女童的组间差异有统计学意义（P＜0.05）。 详见图2。

图2 不同性别的组间差异分析

2.3 不同划消测试评定指标的ROC曲线分析

为展现和比较各划消测试评定指标在鉴别ADHD方面的性能差异，本研究给出了不同划消测试评定指标的ROC曲线分析（涉及AUC值、最佳阈值及其对应的特异度、灵敏度、约登指数以及准确率等指标的计算）。分析结果显示：① NS（传统评定指标）和划消准确度、划消速度、视觉搜索策略指数、视觉运动整合指数的ROC曲线几乎混叠在一起，它们的约登指数在1.18～1.26，准确率和AUC值仅在0.6左右，这似乎很难将实验组儿童和对照组儿童鉴别开来；② 相比之下，更具显著性差异的注意力指数和多划指数的ROC曲线在图中更加凸显，两者的约登指数均高于1.40，准确率和AUC值均高于0.7，比NS（传统评定指标）均提升了超过10个百分点。详见图3和表1。

图3 不同划消指标的ROC曲线

表1 不同划消指标的ROC曲线分析比较

3 讨论

数字划消测试在国际上被广泛用于包括ADHD在内的众多精神疾病相关的临床评估，但遗憾的是，我国目前尚未建立数字划消的全国性常模数据，而且对于其临床应用也没有被充分报道。本文旨在探索数字划消测试在ADHD筛查诊断中的应用。为此，本文提出利用智能数字划消测试工具，该工具具备两大技术优点：① 可以获得传统纸笔测试中的静态指标（如NS），还能够发掘手写过程的时空特征，进一步得到更为丰富的测评观察指标（如本文已经展示的注意力指数、划消准确度、划消速度、视觉搜索策略指数、视觉运动整合指数和多划指数等）；② 可以实现测试评估流程的自动化监管和数据的自动化处理，节省人力资源，这将有助于自动化地生成评估报告，提高临床诊断的效益和准确性。

实验组和对照组的组间差异分析结果显示：① 与NS（传统评定指标）相比，注意力指数和多划指数这2个指标的组间差异更加显著；② 实验组和对照组的男童在NS（传统评定指标）上的差异无统计学意义，但在划消准确度、注意力指数、多划指数这3个指标上的差异有统计学意义；2组女童在NS上的差异无统计学意义，但在注意力指数上的差异有统计学意义；这表明NS无法区分性别对组间差异的影响，但划消准确度、注意力指数、多划指数这3个指标具有更高的性别敏感性，能区分性别对组间差异的影响。同时，不同划消测试评定指标的ROC曲线分析结果显示：① NS的约登指数为1.22，准确率和AUC值仅在0.6左右，很难将实验组儿童和对照组儿童鉴别开来；② 注意力指数和多划指数的约登指数均高于1.40，准确率和AUC值均高于0.7。上述结果均表明，与传统静态评定指标NS相比，本文提出的时空特征指标在鉴别ADHD患儿方面具备更加良好的性能。

众多学者［18-21］对ADHD儿童的认知特征进行了研究，结果表明ADHD儿童的智力、记忆力、注意力等均低于正常儿童。本文的研究结果与前期的结论是一致的。实际上，本文证实实验组NS、划消准确度、划消速度、注意力指数均显著低于对照组，而对照组的多划指数明显高于实验组。这些结果均表明ADHD患儿在划消测试任务中，其注意力不能集中，划消速度偏低，划消准确度偏低，更容易出现错划、漏划和多划等情况。与此同时，我们也发现，对于视觉搜索策略指数和视觉运动整合指数这两项评估指标，实验组与对照组不存在显著差异，具体的原因与机制有待进一步研究分析。

有学者［22］探讨了男女ADHD患儿的智力与认知功能差异，发现了ADHD男孩比ADHD 女孩有更严重的智力受损，记忆力、注意力受损程度相近，执行功能中的计划、选择性抑制能力则相对保持较好。由于在儿童发展的相当长时间内，女孩比男孩具备更高的发展水平，因此有必要研究ADHD女孩和健康女孩、ADHD男孩和健康女孩在智力与认知结构方面的差异。但遗憾的是，很少有学者开展相关研究。本文通过数字划消测试任务，尝试探讨了性别对实验组和对照组差异的影响。本文证实，在划消准确度、注意力指数、多划指数这3个指标上，ADHD男童和健康男童存在显著的组间差异；但对ADHD女童和健康女童而言，只在注意力指数这一个指标上存在显著的组间差异。由此，我们似乎可以推断：与健康儿童相比，ADHD男童在划消测试任务中的表现更差；而注意力低下是ADHD男童和ADHD女童共有的特点。

ADHD不仅损害学习功能，还存在其他多方面、涉及生命全周期的损害，因此ADHD的早期识别意义重大［23-24］。本研究利用划消测试任务，并借助ROC曲线分析方法，证实了两大测评指标（即注意力指数和多划指数）的约登指数均高于1.40，准确率和AUC值均高于0.7，这表明这两个指标有望用于ADHD患儿的早期筛查。

有学者［20］证实，在数字划消测验中，ADHD三个亚型组的总分均低于对照组，而失误率均高于对照组，但ADHD三个亚型组的总分和失误率不存在显著的组间差异。这表明ADHD 的各亚型不仅有共同的临床特征，而且也有共同的神经心理学特征。ADHD各亚型的异质性可能表现在执行功能的各方面［20］。

综上所述，本文提出了利用智能数字划消测试工具的快速认知评估方法（只需2 min），可实现对数字划消任务中纸笔交互的时空特征分析，其获得的划消准确度、划消速度、注意力指数、多划指数这4个指标能较好地反映ADHD儿童与健康儿童的差异，特别是注意力指数和多划指数，具备更加良好的鉴别ADHD的性能，具备用于ADHD患儿早期筛查的潜力。因此，通过设定合适的截断值，本文所提出的方法可作为一种快速的ADHD筛查工具供临床参考。在未来的研究中将考虑扩大样本量，分析不同亚型ADHD患儿在数字划消测试中的表现差异，并深入探讨ADHD患儿的性别差异等问题。