科技部計畫構想

1.          發展智慧型多向度注意力測驗於中風患者

u  研究目的：整合電腦化測驗、穿戴式EEG與AI技術（臉部特徵記錄與眼神追蹤）共同評估患者之多種注意力向度（交替性注意力、持續性注意力與分配性注意力）。

u  創新與價值：結合注意力評估之行為指標與神經生理指標，且可於臨床情境評估，有望大幅提升注意力評估之效能。

u  可解決的瓶頸：臨床上注意力評估通常只使用行為指標（如：反應時間與正確率），而神經生理指標（如：腦波訊號）通常局限於認知心理研究上使用。

u  參考文獻：（簡略查詢之結果）

n   Mohamed, Z., El Halaby, M., Said, T., Shawky, D., & Badawi, A. (2018). Characterizing focused attention and working memory using EEG. Sensors, 18(11), 3743.

n   Wang, H., Dragomir, A., Abbasi, N. I., Li, J., Thakor, N. V., & Bezerianos, A. (2018). A novel real-time driving fatigue detection system based on wireless dry EEG. Cognitive Neurodynamics, 12(4), 365-376.

n   Lin, C. T., Chuang, C. H., Huang, C. S., Tsai, S. F., Lu, S. W., Chen, Y. H., & Ko, L. W. (2014). Wireless and wearable EEG system for evaluating driver vigilance. IEEE Transactions on Biomedical Circuits and Systems, 8(2), 165-176.

2.          發展人工智慧倫敦塔測驗於中風患者

u  研究目的：整合與AI技術（臉部特徵記錄、眼神追蹤以及深度學習模型）共同評估患者之執行功能。

u  創新與價值：使用深度學習模型分析患者之移動過程/策略，並加上個案操作測驗時之眼動與臉部特徵，以利用更完整的評估資訊，提升評估效能。

u  可解決的瓶頸：倫敦塔測驗目前指標都較簡略（例如：移動步數與錯誤次數），但個案操作過程/策略亦包含豐富的資訊（例如：試誤學習、重複使用錯誤的方法或有事先規劃等），而操作過程的資訊卻沒有被分析/計分。

u  其他議題：可考慮發展成CAT

n   倫敦塔測驗有經過 Rasch 檢驗呈現單向度
紀凱喬. (2017). 倫敦塔測驗電腦版之發展與新計分方式驗證. 高雄醫學大學職能治療學系碩士班學位論文, 1-113.（指導教授：蘇純瑩。共同指導教授：李柏森）

3.          發展自閉症兒童實證治療建議系統

u  研究目的：發展AI系統自動彙整自閉症兒童療效驗證文獻、進行mata-analysis、且可給予實證治療建議。

u  創新與價值：可促進自閉症兒童之實證醫療，但目前仍無此系統。

u  可解決的瓶頸：臨床人員缺乏時間且文獻檢索/閱讀功力不一，難以落實實證醫療於自閉症兒童

u  其他議題：我較不熟悉此研究之相關方法

107~108年科技部計畫 (WM @ stroke) 預計執行內容與進度

預估週數	主要任務	任務內容
1	瞭解背景資訊	1.       閱讀計畫書 2.       熟悉【二階認知篩檢測驗】之工作記憶題目及施測方法 （請雅綺協助） 3.       熟悉【COWMEM博論】之題目 （由恭宏協助）
12	擴展工作記憶題庫之難度&廣度	4.       參考【二階認知篩檢測驗】之題型及題目設計原則，設計更難/易之題目，以更完整評量患者之能力 （請雅綺協助） 5.       參考【COWMEM博論】之訊息整合系統題目，設計/修改適用於中風患者之訊息整合題目 （由恭宏協助） 6.       參考研究室已發展之注意力測驗，設計/修改中央執行系統題目 （由恭宏協助）
1	題目設計之具體化	以PPT呈現題目之指導語、操作流程、畫面呈現、操作方式、及結果輸出，以利與專家及programmer交流
4	邀請專家確認題庫	邀請專家針對【訊息整合系統】及【中央執行系統】提供修改建議
4	修改題庫	彙整專家建議，修改【訊息整合系統】及【中央執行系統】等二題庫之題目。 修改後再與專家確認，直到專家再無建議
12	發展電腦化測驗平台	請電腦工程師協助發展測驗平台 （若設計之測驗可自行簡單程式化，如使用PPT或MATLAB施測，則可先進入臨床測試階段，待測驗結果穩定後再由工程師發展正式之測驗平台）
2	取得/購買效標測驗	文獻檢索/回顧以確認合適之工作記憶效標測驗，並協助取得（確認研究室是否已有、借用、或購買）
4	申請他院IRB	臺北榮總？臺北市立聯合醫院？（已有臺大IRB）
8	題庫預試	測試指導語、施測流程、刺激物及施測平台可行性 健康成人5~10位、病人5~10位
4	修改題庫	彙整健康成人與病人的建議，主要修改指導語、施測流程、刺激物及施測平台可行性，並請電腦工程師修改測驗平台
?	收案	臺大（臺北榮總？臺北市立聯合醫院？） 樣本數至少約150~200人

新助理相關問題：

1.        要不要加入二階討論&收案？
A：先協助設計題目，等未來收案地點增加，再視情況測試新題目/收案。

2.        注意力題目設計由何助理協助/接手？
A：注意力題目暫不急著發展，優先發展工作記憶之題目。

使用 cumulative–reliability function 結取信度較高的部分測驗分數

Cumulative–reliability function (CRF) 概念介紹：
傳統測驗理論中，長度越長（題數越多）的測驗通常具備較佳之信度，包含再測信度及內在一致性。
然而測驗需要多長的題數才可達到理想（或可接受）的信度程度呢？這個問題可藉由CRF分析幫助回答。
CRF旨在模擬分析同一測驗在各個長度 (1%~100%) 下的信度。
例如Computerized Digit Vigilance Test (C-DVT) 是一持續性注意力測驗，包含120題判斷螢幕是否有呈現數字六，C-DVT主要分數為完成120題之總時間。
CRF應用於C-DVT之再測信度分析時，我們使用所有受測者完成第1～N (N = 1~120，即測驗長度1%~100%) 題的總完成時間，一一分析再測信度 (Pearson's r & ICC)。
分析完120次（測驗長度1、1～2、1～3、...、1～120）再測信度後，在使用測驗長度vs.信度指標繪製散布圖，即可瞭解信度隨著測驗長度增加之變化，如下圖。

應用目的/價值：
1. 發展短版測驗：若前幾%的測驗已可達到不錯的信度（如上圖60%時，再測信度二指標已接近 0.90），則後面題目可捨去以發展短版測驗，提昇評估效率。
2. 計算分數時排除前幾%之題目：受測者作答前幾%之題目時，可能因為對題目不夠熟悉或緊張等因素，導致其表現不穩定，進而影響測驗的信度（如上圖的前30%）。此時研究者可不採納前幾%題目之分數，以計算最後的測驗分數。
以上圖為例，C-DVT的主要分數可用「31%~100%的總完成時間」，而非原本的「全部測驗完成 (1%~100%) 總時間」。

綜合上述2項應用目的，我們建議採用「C-DVT之31%~60%的題目」組成短版C-DVT，以提升評估效率，並兼具測驗信度。

適用之測驗：
較適用任務相同但重複多題的認知心理測驗，如：C-DVT每題的任務都相同：判斷有沒有數字六。
若整份測驗題目雖多，但每題內容/任務不同（如生活品質問卷），則每題可提供獨特的訊息/資訊，故不宜用CRF捨去測驗前面或後面幾%之題目。

認知預測中風病人之BADL出院能力及恢復 (1028更新)

資料內容：
中風患者認知、PASS及STREAM之前後測分數，
認知測驗包含：記憶廣度、訊息處理速度 (FDT-Part1&2)、選擇性注意力 (FDT-Part3)、轉換性注意力 (FDT-Part4)、順序推理 (以LOTCA評估)、整體認知功能 (MMSE)、及動作計畫 (Praxis)。

樣本數：129

預測模型之主要結果：
認知前測                               預測 BI後測：R-square=0.10
PASS+STREAM前測           預測 BI後測：R-square=0.04
認知+PASS+STREAM前測 預測 BI後測：R-square=0.12

認知前測                               預測 BI改變（恢復）：R-square=0.11
PASS+STREAM前測           預測 BI改變（恢復）：R-square=0.20
認知+PASS+STREAM前測 預測 BI改變（恢復）：R-square=0.28 （預測因子都不顯著....）

結果不佳之可能原因：
可能原因為：BI評量「實際表現」而非執行BADL之「能力」，因此可能個案之認知、平衡、動作都不錯，但因照護者之因素，未實際從事BADL。

C-DVT及T-SDMT反應性資料探索

以下為C-DVT及T-SDMT可能發表之論文主題：

C-DVT

主題1：C-DVT之MID

結果：18位中風患者之自覺持續性注意力改變量為2-3分（最大改變量7分），這群患者之C-DVT前後測進步秒數為13.9秒（總完成時間），即C-DVT之MID=13.9秒。

Note：後續可延伸分析C-DVT短版之MID

主題2：C-DVT原版 VS. 短版 之反應性

結果：

	原版	短版 (31st-60th percentile)
全部樣本數 (N = 41)
Group level (SRM)	0.31	0.18
Individual level (% of patients whose change score > MDC)	34.1%	29.2%
前後測間隔天數≥14 (N = 27)
Group level (SRM)	0.57	0.51
Individual level (% of patients whose change score > MDC)	85.7%	71.4%

T-SDMT

主題1：T-SDMT之MID

結果：14位中風患者之自覺分配性注意力改變量為2-3分（最大改變量7分），這群患者之T-SDMT前後測進步之答對題數為4.3題，即T-SDMT（施測三次取平均）之MID=4.3題。

主題2：T-SDMT不同施測方式之反應性比較

結果：

	施測一次	施測二次取平均	施測三次取平均
全部樣本數 (N = 44)
Group level (SRM)	0.58	0.67	0.69
Individual level (% of patients whose change score > MDC)	25.0%	20.5%	20.5%
前後測間隔天數≥14 (N = 31)
Group level (SRM)	0.45	0.52	0.55
Individual level (% of patients whose change score > MDC)	22.6%	16.1%	12.9%

解讀：施測二次取平均之反應性與施測三次取平均相仿，或許未來使用T-SDMT只要施測二次即可（須同時考量test-retest reliability之結果）。

Note:【施測二次取平均】及【施測三次取平均】之個體層級反應性可能低估。因【施測二次取平均】及【施測三次取平均】之個體層級反應性參照【施測一次】之MDC值，但【施測二次取平均】及【施測三次取平均】之MID應 <【施測一次】之MDC值。