帕金森病伴轻度认知障碍患者的财务能力：揭示基础与高级财务技能的认知和神经功能关联

摘要

背景：帕金森病（PD）会导致广泛的神经退行性改变，不仅限于运动症状，还涉及认知和大尺度网络变化，从而损害功能自主性。财务能力（FAs）是维持独立生活所必需且具有生态效度的复杂技能，然而其在PD中的神经认知和神经功能基础仍尚待探索。本研究旨在利用基于体素的形态测量学（VBM）识别与FAs相关的结构性脑改变，并通过静息态网络分析阐明大脑连接如何支持财务功能维持，从而探讨伴有轻度认知障碍的PD（PD-MCI）患者的基础和高级FAs的认知、结构和神经功能关联。

方法：33名PD-MCI患者完成了全面的神经心理学评估，包括日常生活数值活动-财务简版量表（NADL-F），以评估基础与高级FAs。其中一部分患者（n=24）接受了3T结构性和静息态功能神经影像数据采集。为识别基础与高级FAs的认知和神经预测因素，采用逐步赤池信息准则（AIC）和LASSO方法，构建了包含人口学协变量、认知和神经影像预测变量的多重回归模型。

结果：基础FAs与一般认知功能和正式计算能力（即算术知识）相关，同时还与体感运动网络和皮层下网络之间的负功能连接相关。高级FAs则与不同的认知功能相关，例如执行功能、非正式计算能力（即日常生活中数字的应用）、社会认知、语言和记忆，并且与小脑网络动态相关，具体表现为与突显系统和边缘系统的反相关增强，以及与额顶叶和皮层下电路的同步性增强。

讨论：PD-MCI患者的FAs依赖于网络特化与补偿性整合之间的动态平衡，这反映了可能维持复杂认知功能和功能独立性的皮层-皮层下及小脑系统的适应性重组。

1 引言

帕金森病（PD）是最常见的神经退行性疾病之一（de Lau and Breteler, 2006），其特征是核心运动障碍，如运动迟缓、静止性震颤、强直和姿势不稳（Wu et al., 2012）。近几十年来，文献越来越关注PD的非运动症状，包括精神问题、感觉缺陷、昼夜节律紊乱和认知障碍（De Rui et al., 2020），这些症状会显著影响患者的生活质量并导致高昂的医疗费用（Silva et al., 2023）。值得注意的是，非运动症状可能先于运动症状出现，近20%的患者在诊断时已表现出轻度认知障碍（MCI）（Aarsland et al., 2021）。值得注意的是，一项近期针对前瞻性人群研究的荟萃分析发现，后来被诊断为PD的个体在基线时的MMSE评分平均比健康对照组低0.3分（Peña Arauzo et al., 2025）。PD患者的主要认知缺陷涉及注意力、处理速度、工作记忆、定势转换和计划，以及视空间技能、记忆、语言或计算能力方面的困难（Barone et al., 2011; Burgio et al., 2022b），最终损害患者独立完成日常任务的能力（Hiseman and Fackrell, 2017），如服药或管理财务。

值得注意的是，财务能力（FAs）对个体在日常生活中的独立性和自主性至关重要（Marson et al., 2000），既包括基础实践任务（如清点货币），也包括高级技能（如管理家庭财务或识别诈骗企图）。在临床上，这种区分反映了日益增长的功能复杂性，基础FAs对应于更简单、常规的财务任务，而高级FAs则需要更高层次的认知过程，如计划、判断和决策。然而，即使是基础的财务技能也依赖于完好的注意力、执行功能和计算能力，这强调了财务功能主要反映的是工具性日常生活活动（IADL）而非基础性ADL（详见Marson, 2016）。从概念角度看，财务能力并非一个单一结构，而是包含多个部分可分离的组成部分，涵盖知识、技能、判断和决策过程。有影响力的基于能力的框架将财务能力视为决策能力的一部分，强调个体理解财务信息、评估其与自身状况的相关性、推理可用选项以及表达选择的能力（Appelbaum et al., 2016; Grisso and Appelbaum, 1998）。同样，财务能力的认知-功能模型区分了基础技能（如基本计算能力、货币处理）和需要复杂整合认知、情感和情境信息的高阶能力，例如财务判断、计划和欺诈检测（Marson, 2016）。最近，整合模型强调，现实世界中的财务决策不仅依赖于经典认知领域，还依赖于计算能力、风险评估和社会认知过程，尤其是在衰老和神经退行性疾病中（Callis et al., 2023）。

在帕金森病的背景下，先前的研究已经确定了无论是否伴有认知障碍的患者在FAs基础领域均存在缺陷（Martin et al., 2013）。相反，即使在伴有痴呆的PD患者中，高级FAs似乎也相对保留（Martin et al., 2013）。有趣的是，在PD患者中未发现FAs与认知表现之间存在显著相关性（Pirogovsky et al., 2013, 2014）。然而，先前的研究主要关注经典认知领域（即注意力、记忆、执行功能、语言和视空间能力），并未调查可能与FAs相关的其他功能，例如计算能力或社会认知。事实上，文献报道了这些领域存在缺陷（Burgio et al., 2022b; Palmeri et al., 2017），但迄今为止，它们与FAs的关系尚未得到直接探索。

此外，在这一人群中，FAs的功能神经基础仍鲜有研究。静息态功能磁共振成像（fMRI）广泛用于表征支持认知功能的内在大型功能连接，并能够独立于任务表现和运动混淆因素（这在PD-MCI中具有相关性）来研究网络水平的组织。值得注意的是，几项研究观察到PD患者大尺度静息态网络的功能重组（Tessitore et al., 2019），特别是在注意力、执行和默认模式网络（DMN）中（Menon, 2011; Sang et al., 2015）。DMN内的连接性降低已被确定为PD-MCI或痴呆患者的核心特征（Díez-Cirarda et al., 2018; Wolters et al., 2019）。同样，注意力网络（即背侧注意力网络[DAN]；突显腹侧注意力网络[SVAN]）和执行控制网络（CON）之间的连接中断，以及视觉网络（VIS）内的连接性降低，似乎也影响了认知表现（Baggio et al., 2015; Hou et al., 2021; Putcha et al., 2015）。

除了功能网络改变外，PD-MCI的结构连接已被广泛使用基于体素的形态测量学（VBM）进行研究，这是一种强大的全脑方法，用于检测与认知障碍相关的结构性脑改变。结构性MRI研究已揭示与执行记忆和功能相关区域（包括前额叶皮层、岛叶和纹状体结构）存在一致的灰质（GM）萎缩（Lee et al., 2014; Wang et al., 2025）。通过采用VBM，可以识别与PD-MCI认知衰退相关的空间分布萎缩模式，从而阐明认知障碍和疾病进展的神经解剖学基础（Burgio et al., 2022b; Summerfield et al., 2005）。

然而，据我们所知，尚无先前研究直接检验该人群中财务管理的结构性改变与功能网络改变之间的关系。因此，本探索性研究的主要目的是调查PD-MCI患者FAs的神经认知关联和预测因素，阐明基础和高级FAs背后的机制。特别是，由于PD-MCI患者在计算能力方面可能存在困难（Burgio et al., 2022b），我们旨在扩展先前关于FAs认知预测因素的研究结果，厘清计算能力与该人群基础和高级FAs组成部分之间的关联。此外，我们旨在探索基础与高级FAs是否涉及不同的结构和功能网络特征，从而为未来研究中需要验证的额外假设奠定基础。与FAs模型一致（Callis et al., 2023; Marson, 2016），我们将财务能力操作定义为从基础任务到高级任务的连续体。我们假设基础FAs主要与经典认知领域和计算能力相关，而高级FAs则与整合性执行和决策过程表现出更强的关联。此外，考虑到PD-MCI中功能网络紊乱和结构性萎缩的证据，我们假设基础和高级FAs背后存在不同的神经关联，全局和网络水平的改变与高级FAs的关联更强。

2 材料与方法

本研究是在Clinicaltrials.gov注册的临床试验（NCT05826548）的一部分。

2.1 参与者

从2021年9月至2025年2月，从IRCCS San Camillo医院收治或因其疑似认知障碍转诊进行临床筛查的患者中招募了33名PD-MCI患者（10名女性，23名男性）。参与者平均年龄为72岁（标准差=9），平均受教育年限为11年（标准差=4）。纳入标准为：(i) 发病年龄40–85岁；(ii) 诊断为PD-MCI（Litvan et al., 2012）；(iii) 无精神疾病和/或合并其他神经病理学；(iv) 能够提供知情同意。

患者接受了认知和临床评估，以及神经影像数据采集。所有评估均由经验丰富且经过培训的神经心理学家进行。评估优选在上午进行，此时患者处于其常规多巴胺能治疗的“开”期（患者药物治疗详情见补充材料）。

所有研究参与者均自愿参与并根据赫尔辛基宣言的原则提供知情同意。该研究获得了威尼斯伦理委员会和IRCCS San Camillo医院（意大利威尼斯）的批准，参考编号1081/IRCCS San Camillo。

2.2 认知评估

每位患者都完成了全面的神经心理学评估，包括注意力、执行功能、记忆、视空间能力、计算、语言和社会认知的测量。具体来说，采用了以下测试：(i) 简易精神状态检查（MMSE）（Magni et al., 1996）和蒙特利尔认知评估（MoCA）（Santangelo et al., 2015）用于一般认知功能；(ii) 连线测试（TMT）（Giovagnoli et al., 1996）用于注意力；(iii) Stroop测试（Caffarra et al., 2002a）、画钟测试（CDT）（Mondini et al., 2003）和语音流畅性（即F词、A词和S词命名）（Carlesimo et al., 1996）用于执行功能；(iv) Rey听觉词语学习测试（RAVLT）（Carlesimo et al., 1996）、散文记忆（Spinnler, 1987）和Rey-Osterrieth复杂图形回忆（ROCF-recall）（Caffarra et al., 2002b）用于学习和记忆领域；(v) 复制Rey-Osterrieth复杂图形（ROCF-copy）（Caffarra et al., 2002b）用于视空间和视构造领域；(vi) 语义流畅性（即水果、动物和汽车品牌命名）（Novelli et al., 1986）用于语言领域；(vii) 日常生活数值活动简版（NADL）（Burgio et al., 2022a）用于非正式（即在日常情境中使用数字）和正式计算能力（即学校算术知识）；(viii) 基于故事的共情任务（SET）（Dodich et al., 2015）用于社会认知。

2.3 财务能力评估

患者的财务能力采用日常生活数值活动-财务简版量表（NADL-F）（Toffano et al., 2021）进行评估。NADL-F在一个异质性的神经系统患者样本中得到验证，旨在评估财务能力的七个组成部分，范围从日常任务（如清点货币）到与高阶认知功能相关的高级技能（如财务判断）。具体来说，七个子量表如下：

清点货币（最高分=3）：评估参与者是否熟悉欧元货币并能够进行简单的心理计算，类似于简单现金交易中的计算，但在简化环境下进行（例如，给患者一定数量的硬币和纸币，要求他们大声清点）。
阅读能力（最高分=3）：评估参与者是否能在日常生活情境中处理有关金钱的书面信息（例如，要求患者检查超市收据上一些物品的费用）。
物品购买（最高分=4）：评估参与者在现实生活购物中进行现金交易所需操作（例如，计算、考虑相关信息）的能力（例如，给患者一定数量的硬币和纸币，要求他们支付一些水果的费用）。
百分比（最高分=3）：评估参与者是否能在现实生活情境中进行百分比的心算（例如，要求患者计算一些衣服的折扣价）。
账单支付（最高分=2）：评估关于管理账单的知识（例如，要求患者根据到期付款日期按时间顺序整理一些账单）。
财务概念（最高分=6）：评估参与者对意大利文化背景中相关财务概念的了解（例如，要求患者描述国际银行账号（IBAN），或经济状况等效指标（ISEE），一种在意大利用于评估家庭经济状况以获取补贴社会福利的工具）。
财务判断（最高分=2）：评估参与者是否能做出明智的财务判断并识别欺诈行为（例如，检查者向患者呈现一个小故事，并要求他们判断角色是否被骗）。

2.4 神经影像学

2.4.1 数据采集

结构性MRI用于识别与FAs相关的结构性脑改变。静息态fMRI用于表征支持财务能力的内在大型功能连接。

使用3T Philips Ingenia扫描仪和32通道接收头线圈，对部分参与者（n=24）进行了结构和功能MRI数据采集。9名患者因临床和/或安全问题（幽闭恐惧症、存在起搏器、金属假体等）被排除。

T1加权三维磁化准备快速梯度回波（MP-RAGE）解剖图像以0.8 mm³空间分辨率采集，重复时间（TR）= 10 ms，回波时间（TE）= 4.6 ms，反转时间（TI）= 950 ms，翻转角（FA）= 8度。静息态功能MRI数据以1.96 × 1.96 × 2.4 mm³空间分辨率采集，TR = 2.1 s，TE = 30 ms，层数 = 60，体积数 = 421，翻转角 = 90度，多波段因子 = 3，SENSE因子 = 1.2。

2.4.2 预处理与分析

结构预处理包括偏差场校正（ANTs）、脑提取（ANTs）和组织分割（计算解剖工具箱；分为灰质（GM）、白质（WM）和脑脊液（CSF））。

功能预处理包括层间时间校正、运动校正（FSL的MCFLIRT）（Jenkinson et al., 2012）、畸变校正（FSL的TOPUP）、去噪步骤，包括通过（接上文）

预处理步骤包括通过CONN工具箱进行混淆回归（WM和CSF、运动参数以及使用ART识别出的异常扫描）（Whitfield-Gabrieli and Nieto-Castanon, 2012）、高通滤波（0.01 Hz）、使用ICA-FIX进行基于ICA的伪影去除（Griffanti et al., 2014; Salimi-Khorshidi et al., 2014），以及低通滤波（0.1 Hz）。帧位移大于0.5 mm的参与者被排除。

基于体素的形态测量学（VBM）指标源自T1加权解剖图像，使用计算解剖工具箱（CAT12工具箱）（Gaser et al., 2024）量化脑组织成分（特别是GM、WM和CSF）的变化。

然后，每位患者的大脑皮层根据功能性感兴趣图谱（Schaefer et al., 2018）分为100个感兴趣区域（ROIs），该图谱包括七个功能网络：视觉网络（VIS）、体感运动网络（SMN）、背侧注意力网络（DAN）、突显腹侧注意力网络（SVAN）、边缘网络（LIM）、控制网络（CON）和默认模式网络（DMN）。此外，从AAL3图谱（Rolls et al., 2020）中提取了10个皮层下区域和小脑（各网络所涉及的不同脑区的图形化表示见图1）。通过在每个时间点平均每个节点内预处理的BOLD fMRI信号，提取每个脑区域的时间序列，然后使用皮尔逊线性相关进行相关分析，获得一个112×112的功能连接（FC）矩阵，包含每对区域之间的相关系数。对得到的FC矩阵应用z-Fisher变换，并将值缩放到[0, 1]范围。

图1：基于Schaefer和AAL3图谱识别的各功能网络所涉及的脑区图形化表示，以不同颜色突出显示。SMN，体感运动网络；VIS，视觉网络；DAN，背侧注意力网络；SVAN，突显腹侧注意力网络；LIM，边缘网络；CON，控制网络；DMN，默认模式网络。

选择图指标，包括平均节点强度和全局效率，以捕捉网络组织的互补方面（Bullmore and Sporns, 2009; Luo et al., 2015; Tinaz et al., 2017）。这些指标使用脑连接工具箱（BCT）（Rubinov et al., 2009）计算。节点强度定义为连接到给定节点的所有边权重之和，然后按网络进行平均。它反映了该区域在网络内的总体连接水平或影响力。然后，全局效率（定义为所有节点对之间平均路径长度的倒数）在缩放后的FC矩阵上计算，数值越高表示网络内通信越集成和高效。平均路径长度是指连接网络中每对节点的最短路径的平均值，提供了信息在网络中传输难易程度的度量。较短的平局路径长度表示节点可以更有效地进行通信，反映了更集成的网络组织。

除了全局指标，还计算了网络内和网络间的连接性测量（Boon et al., 2020）。网络内连接性是指属于同一功能网络（如DMN、CON）的节点之间的平均FC。它反映了给定网络的凝聚力和完整性。另一方面，网络间连接性衡量不同网络区域之间的平均连接性，通常用于评估脑系统之间的功能分离或整合程度。

2.5 统计分析

所有统计分析均使用开源软件RStudio（版本4.5.1）（R Core Team, 2020）。统计显著性设定为p < 0.05。部分变量存在缺失数据；但对于所有变量，缺失值的比例低于25%。因此，使用链式方程的多重插补法（MICE）对缺失数据进行插补，该方法保留了数据的潜在分布（Nich and Carroll, 2002）。

样本的主要特征采用描述性统计进行分析，即定量变量采用均值和标准差（SD），定性变量采用绝对频率（n）和百分比（%）。

参与者神经心理学测试的原始分数首先根据每个测试的常规规则针对人口统计学特征（年龄、教育程度和/或性别）进行校正，然后基于年龄和教育程度匹配的健康对照组样本转换为z分数。健康对照组的数据来自NADL-F和NADL验证数据集（Arcara et al., 2019; Semenza et al., 2014）（更多信息见补充材料）。患者的z分数随后被平均，形成代表每个认知领域（一般认知功能、注意力、执行功能、记忆、语言、视空间能力、社会认知）的7个复合变量。类似地，为NADL测试的非正式和正式部分计算了z分数。将NADL-F子测试相加，创建基础和高级FAs得分，然后根据健康对照组的表现在z分数上标准化。具体来说，基础FAs领域包括“清点货币”、“阅读能力”、“物品购买”和“百分比”子测试，而高级FAs领域包括“财务概念”、“账单支付”和“财务判断”子测试。表现受损定义为z分数等于或低于-1.5。

初步数据分析采用非参数偏相关来研究变量之间的相互依赖性，同时考虑年龄、性别和教育年限对测试结果的潜在影响。选择这种方法是由于样本量较小（N=33）和研究的探索性，使我们能够在不依赖参数假设的情况下检测潜在关联。得到的相关系数（rho）提供了不受人口统计学影响的稳健关系估计。认知复合得分与NADL非正式和正式测试的连续分数以及NADL-F基础和高级分数进行相关分析。同样，认知、NADL和NADL-F得分与VBM和功能指标进行相关分析。对相关系数的解释遵循Schober等人（Schober et al., 2018）提出的分类：rho < 0.10 = 可忽略；0.10 < rho < 0.39 = 弱；0.40 < rho < 0.69 = 中等；0.70 < rho < 0.89 = 强；rho > 0.90 = 非常强。

然后，为了识别与基础和高级财务技能困难相关的认知和神经预测因素，首先使用认知变量（计算能力、一般认知功能、注意力、执行功能、记忆、语言、视空间能力和社会认知）作为预测因子，财务能力作为连续因变量构建多重回归模型。年龄、性别和教育水平作为协变量纳入。预测因子之间的多重共线性使用方差膨胀因子（VIF）评估，VIF > 5表示高度多重共线性，可能导致回归系数不稳定（Hair et al., 2019）。为选择最佳预测因子集，采用了基于赤池信息准则（AIC）的逐步程序和惩罚回归模型（LASSO）。模型的预测准确性使用10折交叉验证评估（James et al., 2021）。

最后，仅限于有可用神经影像数据的患者亚组，通过纳入脑变量（如结构和FC测量）构建扩展模型。将扩展模型与之前的模型进行比较，以评估神经变量在解释财务表现方面的增量贡献。

3 结果

3.1 样本的临床特征

在认知评估中，参与者在两项筛查测试中表现出轻微损伤，MMSE和MoCA的平均得分分别为27.51（SD=2.02）和23.06（SD=5.46）。从定性角度来看，部分患者在一般认知功能（30.3%）、注意力（24.2%）、执行功能（24.2%）、记忆（24.2%）、语言（24.2%）、视空间能力（15.2%）和社会认知（18.2%）方面表现出损伤。在NADL测试中，12.1%的患者在正式计算能力方面存在困难，而只有1名患者（3%）在非正式计算能力方面存在困难。最后，在NADL-F测试中，18.2%的参与者在基础FAs方面受损，而12.1%在高级FAs方面受损。表1报告了样本的主要人口统计学和临床特征。值得注意的是，有神经影像数据的患者与整个样本之间未观察到显著差异。

表1：研究纳入患者的社会人口学特征和认知概况。

（表格内容省略，包含年龄、教育、性别、病程、左旋多巴等效剂量、MMSE、MoCA及各认知领域z分数等，并比较了全样本和神经影像亚组）

3.2 FAs的认知关联

图2报告了FAs与认知测量之间的相关性。基础FAs与语言呈中等相关（rho=0.53，p<0.001），而与一般认知功能相关性较低（rho=0.24，p=0.016）。高级FAs与认知呈低度关联，即执行功能（rho=0.28，p=0.006）和社会认知（rho=0.31，p=0.002）。

图2：FAs部分与认知功能之间的斯皮尔曼相关系数。正相关以红色表示，负相关以蓝色表示。显著相关性以星号突出显示（***p<0.001；**p<0.01；*p<0.05）。

相反，正式计算能力与一般认知功能（rho=0.53，p<0.001）和视空间能力（rho=0.56，p<0.001）呈中等相关，并与执行功能（rho=0.20，p=0.046）和记忆（rho=0.27，p=0.008）呈低度相关。另一方面，非正式计算能力与一般认知功能（rho=0.31，p=0.002）、语言（rho=0.32，p=0.001）、记忆（rho=0.29，p=0.004）和社会认知（rho=0.35，p<0.001）相关。

在高级FAs与非正式计算能力之间观察到显著相关性（rho=0.27，p=0.008），而基础FAs与正式或非正式计算能力之间未出现显著相关性（p>0.050）。

3.3 FAs的神经关联

图3-5报告了FAs与神经影像测量之间的相关性。关于神经解剖学指标（图3），高级FAs与CSF体积呈负相关（rho=-0.51，p=0.017），而VBM指标与基础FAs、正式或非正式计算能力之间未出现显著相关性。

图3：FAs部分与结构性神经影像指标之间的斯皮尔曼相关系数。正相关以红色表示，负相关以蓝色表示。显著相关性以星号突出显示（*p<0.05）。WM，白质；GM，灰质；CSF，脑脊液；TIV，总颅内体积；rel，相对体积；abs，绝对体积。

当考虑计算能力与功能指标之间的关联时，非正式计算能力与CON网络内的网络内连接性（rho=-0.54，p=0.012）以及LIM-CON网络间连接性（rho=-0.47，p=0.033）呈中等负相关。正式计算能力与LIM（rho=-0.47，p=0.030）和DMN网络（rho=-0.52，p=0.015）内的网络内连接性呈负相关。

基础FAs与DAN网络内的网络内连接性（rho=-0.46，p=0.036），以及VIS-DAN（rho=-0.57，p=0.007）、SMN-DAN（rho=-0.68，p=0.001）、SMN-皮层下（rho=-0.48，p=0.029）、SVAN-皮层下网络间连接性（rho=-0.47，p=0.032）呈中等负相关。基础FAs与大规模脑网络内和网络间连接性的显著相关性如图4所示。此外，在基础FAs与LIM节点强度之间观察到显著的负相关（rho=-0.46，p=0.037）（图5）。

图4：基础财务能力（FAs）与大规模脑网络功能连接（FC）测量之间的显著相关性。报告了斯皮尔曼rho值和p值。值得注意的是，FC测量与高级FAs之间未观察到显著相关性。DAN，背侧注意力网络；SMN，体感运动网络；SVAN，突显腹侧注意力网络；VIS，视觉网络。

图5：FAs部分与图论指标之间的斯皮尔曼相关系数。正相关以红色表示，负相关以蓝色表示。显著相关性以星号突出显示（*p<0.05）。SMN，体感运动网络；VIS，视觉网络；DAN，背侧注意力网络；SVAN，突显腹侧注意力网络；LIM，边缘网络；CON，控制网络；DMN，默认模式网络。

最后，高级FAs与功能指标未显示出显著相关性（关于基础/高级FAs与FC指标之间相关系数的完整概述见补充图S1、S2）。

3.4 FAs的认知预测因素

所有认知和人口统计学变量均纳入初步模型。基础财务能力模型（最大VIF=3.12）和高级财务能力模型（最大VIF=3.12）的方差膨胀因子（VIF）值均低于临界阈值5，表明多重共线性风险可忽略不计。

在具有LASSO正则化的多元线性回归模型（表2）中，基础FAs表现的变异可由认知和人口统计学预测因子中等程度解释（R²=0.65；adj. R²=0.57）。在预测因子中，以下因素显著：一般认知（β=0.66，p=0.002）、正式计算能力（β=-0.76，p=0.021）和教育程度（β=0.23，p<0.001）。该模型对于最优惩罚参数（λ=0.132）的预测准确性产生的均方根误差（RMSE）为1.77（SD=1.23）。

表2：仅使用认知变量预测财务能力（FAs）的LASSO正则化多元线性回归分析结果。

（包含基础FAs和高级FAs的结果，列出了预测因子、估计值、标准误、t值和p值）

关于高级FAs的模型（表2），多元线性回归分析得出的R²为0.49（adj. R²=0.44）。通过LASSO识别出的最相关预测因子是执行功能（β=0.30；p=0.072）、年龄（β=-0.05；p=0.012）和教育程度（β=0.12；p=0.007）。最优惩罚参数（λ=0.18）的RMSE为1.07（SD=0.16）。

3.5 FAs的神经功能预测因素

在有可用神经影像数据的患者亚组（n=24）中，纳入FC测量显著改善了基础FAs（R²=0.84；adj. R²=0.81；Δ adj. R²≈0.24）和高级FAs（R²=0.89；adj. R²=0.77；Δ adj. R²≈0.34）的模型拟合。这些结果表明，脑连接变量在认知和人口统计学预测因子之外提供了增量解释价值。

在同时纳入神经影像变量的多元线性回归模型（表3）中，LASSO惩罚回归（最优λ=0.43；RMSE=1.87；SD=2.25）显示以下变量对于基础FAs是显著的：语言（β=0.9；p<0.001）、SMN网络内连接性（β=-9.33；p<0.001）、SMN-皮层下网络间连接性（β=-7.64；p<0.001）。

表3：包含认知和神经影像结果预测财务能力（FAs）的LASSO正则化多元线性回归分析结果。

（包含基础FAs和高级FAs的结果，列出了预测因子、估计值、标准误、t值和p值）

对于高级FAs模型（表3），LASSO惩罚回归的最相关预测因子为：语言（β=0.93，p=0.002）、记忆（β=-1.01，p=0.005）、年龄（β=0.09，p=0.016）、WM绝对体积（β=0.02，p=0.004）、GM相对体积（β=31.02，p=0.017）、WM相对体积（β=41.50，p=0.003）、SMN网络内连接性（β=-4.93，p=0.001）、SVAN-小脑网络间连接性（β=-15.31，p<0.001）、LIM-小脑网络间连接性（β=-1.97，p=0.033）、CON-小脑网络间连接性（β=4.27，p=0.008）、皮层下-小脑网络间连接性（β=6.82，p=0.003）、SMN节点强度（β=0.14，p=0.001），交叉验证的预测准确性为R²=0.26（最优λ=0.63；RMSE=1.21；SD=0.36）。

4 讨论

本研究旨在调查帕金森病伴轻度认知障碍（PD-MCI）个体的财务能力（FAs），重点关注其认知和神经功能基础。总体而言，我们的发现表明，尽管基础和高级FAs可能共享某些认知基础，但它们在该人群中也依赖于不同的神经功能机制。

4.1 FAs的认知关联

在认知关联方面，基础FAs与一般认知，特别是语言能力显著相关，而在回归分析中，正式计算能力成为影响基础FAs的显著因素。这些关联与以下概念一致：即使是简单的金融交易也需要整合言语理解和数值推理。特别是，这一发现扩展了先前报告PD-MCI患者在正式计算能力方面存在显著损伤的研究（Burgio et al., 2022b），表明这些缺陷可能超出抽象任务范畴，并表现为日常财务活动（如处理零钱或购买日常用品）中的困难。这凸显了PD-MCI患者细微的认知变化如何损害日常生活自主性。

相比之下，高级FAs与高阶认知过程包括执行功能和社会认知相关。然而，我们的建模结果进一步指出，高级财务任务并非依赖于单一认知领域，而是依赖于多种认知机制的协调贡献，包括语言、记忆和正式计算能力。这种模式表明，随着任务复杂性的增加，患者可能采用更广泛的认知策略来维持特定领域的能力，这可能反映了一种适应性但可能效率较低的处理方法。我们可以推测这些模式反映了补偿机制，这可能解释了尽管存在潜在的认知障碍，但在某些高级财务任务中仍能保持表现。

因此，与先前未能识别PD（伴或不伴MCI）中FAs与认知之间显著关联的研究相反（Pirogovsky et al., 2013, 2014），我们的研究揭示了基础和高级FAs与特定认知领域之间存在有意义的关系。这种差异可能反映了患者特征和评估工具的差异，因为我们的队列可能在认知上比早期研究的患者受损更严重。尽管由于不同研究所采用的神经心理学测量不同，难以直接比较样本的认知概况，但Pirogovsky研究（Pirogovsky et al., 尽管如此，由于不同研究所采用的神经心理学测量不同，难以直接比较样本的认知概况，但 Pirogovsky 研究（Pirogovsky et al., 2014）中描述的 PD-MCI 患者平均年龄比本研究中纳入的患者更年轻（PD-MCI 亚组平均年龄：69.2，SD：7.1），病程更短（诊断后平均年数：5.1，SD：4.3），这可能表明其整体状况比我们的样本更保留（Aarsland et al., 2021）。此外，我们使用 NADL-F 这一在意大利背景下专门验证的测量工具，可能提供了对日常财务技能更具生态效度和文化敏感性的评估。尽管如此，需要在其他文化背景中进行复制以确认这些发现的普遍性。

有趣的是，在仅包含行为变量的模型中，基础与高级 FAs 均与参与者的教育水平等人口学特征显著相关。教育水平可作为个体整体认知储备的代理指标，认知储备是指通过补偿策略应对神经损伤的能力（Nucci et al., 2012; Stern, 2009）。从这个角度看，我们的发现可能揭示了认知储备在维持 PD-MCI 患者日常独立性方面的潜在作用，也与此前关于其他病因所致 MCI 患者的研究结果一致（Allegri et al., 2010; Poletti et al., 2011）。然而，当神经影像变量被纳入模型后，教育水平不再是一个显著因素。这一发现可能反映了神经影像标志物更直接地捕捉了与疾病相关的神经变化，如局部脑萎缩或功能网络改变，这些变化对认知表现的影响比教育等个人经历代理指标更为强烈。神经影像变量因此可能代表了教育水平和认知储备发挥其作用的下游神经基础，一旦这些基于大脑的测量被考虑在内，教育水平的独立贡献就会被削弱。因此，未来研究应更深入地探讨这一主题，同时也应考虑其他重要因素，如职业复杂性和参与认知刺激性休闲活动，这些因素对认知储备均有贡献。

4.2 神经影像关联

从神经影像角度来看，我们的结果揭示了财务能力与大规模脑网络组织之间存在不同的关联，支持了财务能力依赖于网络特化、整合和结构完整性之间的平衡这一观点。

基础 FAs 的保留表现与 DAN 内较低的整合度，以及 VIS 与 DAN、SMN 与 DAN 之间的反相关有关，这表明这些网络具有更有效的特化。这种分离被认为通过限制跨网络干扰、允许每个系统根据其功能角色更自主地运行，从而支持更高效的网络特化（Bullmore and Sporns, 2009; Wig, 2017）。因此，本发现可能反映了一种相对保留或代偿性的网络组织，其中更自主、功能上更分化的感觉和注意过程支持了感知引导的财务任务的有效执行。这些发现与先前关于 PD 中大规模脑网络内和网络间连接性改变的证据一致（Baggio et al., 2015; Putcha et al., 2015; Sang et al., 2015; Tessitore et al., 2019），特别报告了注意和感觉系统之间的网络分离减少（Baggio et al., 2015; Olde Dubbelink et al., 2014）。例如，Baggio等人（2015）报告了静息态网络组织的广泛变化，尤其是在视觉和注意回路中，这些变化与 PD 的认知障碍相关。类似地，Putcha等人（2015）证明了核心神经认知网络之间的异常耦合，强调网络整合与分离之间平衡的破坏是认知缺陷的潜在机制。在此背景下，我们的结果扩展了这些观察，表明即使在存在疾病相关改变的情况下，感觉和注意网络更有效的功能特化也可能有助于维持基本的财务技能。

此外，在回归模型中，基础 FAs 与体感运动网络内较低的整合度以及 SMN 与皮层下区域之间的负性网络间连接性相关。这一结果表明，运动环路与认知电路存在适应性分离，这可能限制病理性运动环路活动扩展到执行和评估网络。此外，这种模式与先前关于帕金森病中感觉运动-皮层下耦合改变的证据一致（Sharman et al., 2013），以及将基底节动力学与分布式网络重构联系起来的计算模型（Maith et al., 2021）。然而，由于这些发现可能反映了与 PD 运动症状学相关的混杂因素（Tessitore et al., 2019; Tuovinen et al., 2018），未来的研究应控制运动严重程度和多巴胺能状态，并采用能够确定这种解耦是因果性地补偿性的还是仅仅与运动衰退相关的方法（如有效连接）。

关于高级 FAs，我们发现了与结构保留和功能机制的关联，在后者中，小脑发挥了突出作用。关于神经解剖学指标，高级 FAs 与 CSF 体积之间的负相关表明，更大的全局性脑萎缩与更复杂的财务能力表现较差相关。CSF 体积通常被认为是弥漫性脑萎缩的间接标志，反映了累积的神经退行性负担，而非局灶性灰质损失（Ferrarini et al., 2008; Jack et al., 2000）。高级财务能力很可能依赖于多个认知领域的整合，我们的探索性相关分析也凸显了这一点，这些认知领域由分布式脑网络支持。因此，这些高阶能力可能对全局性结构恶化特别敏感，而更基础的财务技能可能直到神经退行性变的后期阶段才相对保留。基于体素的形态测量学指标与基础 FAs、正式或非正式计算能力之间缺乏显著关联，进一步支持了这些能力较少依赖于局灶性灰质完整性，可能由更具韧性或冗余的神经系统维持的观点。这种模式与帕金森病的证据一致，表明全局性脑萎缩测量比区域灰质改变与复杂认知结果的相关性更强，特别是在非痴呆或早期患者中（Aarsland et al., 2010; Mak et al., 2014）。

关于神经功能机制，保留的高级 FAs 与小脑相关的两种互补的 FC 模式有关：（i）SVAN 与小脑网络之间以及 LIM 与小脑网络之间的反相关，以及（ii）额顶叶-小脑与皮层下-小脑环路之间的功能同步。这种双重配置表明，保留的财务决策依赖于网络特化与跨网络通信之间的精细平衡。突显系统与边缘系统与小脑的相反交互可能反映了更模块化和高效的组织，其中小脑在最小化来自注意和情绪系统的干扰下运作。边缘区域在财务处理中的作用在先前一项关于 AD 病理相关 MCI 患者的研究中已被报道（Benavides-Varela et al., 2020），该研究提示边缘结构改变可能导致与情绪处理缺陷相关的财务困难。我们在 PD-MCI 患者中的发现表明，边缘区域与小脑之间的反相关可能有助于财务任务的执行，可能是通过减少情绪干扰和增强目标导向控制。类似地，基于当前发现，我们可以推测小脑与额顶叶和皮层下环路之间的更强同步可能代表一种代偿机制，支持执行监控、工作记忆和基于奖赏的学习，这些对复杂的财务推理至关重要。这些发现与小脑形成与皮层控制系统和基底节结构的相互回路，为 PD 中的高阶认知和情感过程做出贡献的证据一致（Li et al., 2023; O'Callaghan et al., 2016）。同样，我们的发现扩展了先前将小脑与皮层及皮层下区域之间 FC 改变与非运动症状严重程度联系起来的研究（Pietracupa et al., 2024）。特别是，我们的结果强调了小脑-皮层和小脑-皮层下网络的选择性分离和整合支持了一种高级非运动功能，即财务能力。总之，这些数据支持一个模型，即小脑网络动力学在维持适应性认知行为方面发挥关键作用，尽管存在多巴胺能和额纹状体功能障碍。这些结果丰富了越来越多的证据，表明 FC 变化并非都是有害的，在某些情况下，可能代表了旨在支持帕金森病日常认知功能的适应性网络重组。

此外，更好的高级 FAs 与更高的 GM 和 WM 体积显著相关。这一发现可能表明结构完整性对于维持日常任务的功能自主性至关重要，也与先前描述伴有认知障碍的PD患者存在结构性损失的研究一致（Aarsland et al., 2017）。

总体而言，根据我们的数据，我们推测基础 FAs 可能对神经功能变化更敏感，而高级 FAs 可能与广泛的功能性改变和结构性损伤更相关。事实上，先前研究报告，在神经改变的早期阶段，功能重组和代偿机制可能维持足够的性能，尽管存在细微的连接中断（Putcha et al., 2016; Tessitore et al., 2019）。然而，随着结构性损伤的进展（例如皮层变薄或萎缩），这些代偿过程可能变得不足，导致复杂的、高阶任务出现缺陷，例如财务任务。这种解释与纵向证据一致，该证据表明功能变化通常先于 PD 的结构性退化，最初作为维持认知表现的适应性反应（Sang et al., 2015）。然而，由于本研究仅在单时间点获取了结构和功能神经影像数据，未来的研究应更深入地探讨财务能力与神经影像指标的纵向变化之间的关联，并采用允许因果推断的方法。

最后，我们观察到，与仅使用认知测量的模型相比，将结构和功能变量纳入分析提高了模型性能。这强调了将行为评估（如神经心理学评估）与神经影像测量相结合以改善诊断和患者管理的重要性。

4.3 局限性与未来方向

本研究存在一些应予以承认的局限性。首先，所有数据均在单一时间点收集，因此发现本质上是相关的。因此，我们无法就因果关系或疾病随时间进展得出结论。未来的研究应通过收集纵向设计来复制和补充我们的发现，以更好地探索认知和神经因素如何与帕金森病中财务困难的进展相关。第二，相对较小的样本量以及只有部分参与者有神经影像数据，限制了统计功效，妨碍了使用更先进的分析方法。第三，由于研究是探索性的，未应用正式的多次比较校正，以限制 II 类错误的风险，避免掩盖有意义的结果。尽管如此，在解释结果时应考虑这一局限性（Perneger, 1998; Rothman, 1990）。第四，使用文化特定的财务能力测量工具（NADL-F）可能限制了我们的发现的普遍性，应在不同的文化和语言背景下进行复制以验证其更广泛的关联性。此外，缺乏更详细的临床数据，例如运动障碍的标准化评估，限制了我们充分探索运动症状对财务功能影响的能力。运动症状可能通过影响复杂动作的执行、处理速度或注意控制（这些常在财务任务中需要）来影响财务表现。未来的研究应包括特定的测量方法来阐明运动缺陷对这一关键技能的贡献。最后，当前研究依赖于静息态和结构性神经影像。未来的研究将受益于任务态 fMRI 范式，让患者在扫描仪中执行现实生活中的财务任务，从而能够更直接地研究支持帕金森病中财务能力的神经机制。

5 结论

总之，本研究提供了关于帕金森病伴轻度认知障碍个体财务能力的认知和神经功能机制的新证据。

我们的发现表明，基础的财务任务主要依赖于语言和计算能力，并受益于涉及注意、体感运动和皮层下系统的适应性功能重组。相比之下，高级财务能力涉及分布式的执行、记忆和社会认知过程，由小脑网络配置支持，其特征是与突显和边缘回路的负相关以及与额顶叶和皮层下系统的同步化。这种模式表明，有效的财务决策取决于网络特化与补偿性整合之间的动态平衡。

总体而言，这些发现支持一个多维模型，其中认知完整性和网络组织共同有助于维持 PD-MCI 患者的功能自主性。因此，通过特定工具评估财务能力可以为现实世界中的功能提供有价值的见解，并可作为认知和神经衰退的早期指标。未来的研究应在更大的样本中并通过纵向设计复制这些结果，同时采用多模态影像学方法来阐明认知功能障碍、网络重组和帕金森病日常财务能力之间的时间动态关系。

声明

数据可用性声明

支持本文结论的原始数据将由作者提供，无需不合理的保留。

伦理声明

涉及人体的研究已获得威尼斯伦理委员会和 IRCCS San Camillo 医院（意大利威尼斯）的批准。研究按照当地法规和机构要求进行。参与者提供了参与本研究的书面知情同意书。

作者贡献

LD：概念化，写作-审阅与编辑，调查，写作-初稿，正式分析，数据管理，方法学，可视化。GP：方法学，数据管理，调查，写作-审阅与编辑，正式分析，写作-初稿。LM：正式分析，写作-审阅与编辑，写作-初稿，方法学，调查。GB：概念化，调查，写作-审阅与编辑，监督，方法学，写作-初稿。ArM：写作-审阅与编辑。EP：调查，写作-审阅与编辑。AlM：写作-审阅与编辑。TC：写作-审阅与编辑。LR：写作-审阅与编辑。KK：写作-审阅与编辑。RB：写作-审阅与编辑。GF：写作-审阅与编辑。CS：写作-审阅与编辑。AA：写作-审阅与编辑。PM：写作-审阅与编辑。AV：写作-审阅与编辑，监督。FB：方法学，监督，概念化，写作-初稿，资助获取，写作-审阅与编辑。