Investigación de asociaciones entre el descuento por retraso y la estructura cerebral, la memoria de trabajo y la memoria episódica, parte 2

Relación entre predictores estructurales y DD

Probamos las asociaciones entre las variables de interés (volúmenes subcorticales, componentes de materia gris y blanca, EM, WM) y DD con modelos lineales y pruebas de permutación no paramétricas implementadas en la versión 1.11 del software PALM de FSL (Winkler et al. 2014; Winkler, Webster, et al. 2016b) ejecutándose en MATLABR2017b.

En los últimos años, con la mejora del nivel de vida de las personas y el aumento de la edad, los problemas de memoria han atraído cada vez más atención. Sin embargo, algunas personas han ejercitado activamente su cerebro pero todavía tienen problemas de memoria. En este momento, podemos considerar el uso de arreglos no paramétricos para mejorar la memoria.

Entonces, ¿qué es una permutación no paramétrica? La disposición no paramétrica es un método estadístico que organiza un conjunto de datos de acuerdo con ciertas reglas sin comparación numérica. En comparación con la permutación paramétrica, la permutación no paramétrica tiene una gama más amplia de aplicaciones y no hace demasiadas suposiciones sobre la distribución y la discreción de los datos.

¿Y cómo utilizar la disposición no paramétrica para mejorar la memoria? En primer lugar, sabemos que el cerebro humano puede analizar, memorizar y recordar diversa información, como imágenes, audio, texto, etc., por lo que podemos utilizar arreglos no paramétricos para mejorar las capacidades de procesamiento y memoria de nuestro cerebro de diferente información.

A través de algunos ejercicios, como practicar la memoria y el recuerdo de colores, números, palabras y otra información, y luego la disposición no paramétrica de información diferente, se forma una estructura más regular en el cerebro, mejorando así la capacidad de memoria del cerebro.

Además, las permutaciones no paramétricas se pueden utilizar para mejorar la flexibilidad mental y reducir la ansiedad y el estrés, entre otras cuestiones. Al ejercitar el cerebro, éste puede funcionar de manera más flexible y saludable, reduciendo así la depresión, la ansiedad y otras emociones negativas innecesarias, y enfrentando la vida y el trabajo de manera más positiva.

En resumen, la disposición no paramétrica es un método factible y eficaz para mejorar la memoria cerebral y la flexibilidad del pensamiento. A través del ejercicio y la práctica continuos, la memoria y las capacidades de procesamiento del cerebro se pueden mejorar de manera efectiva, ayudándonos a enfrentar la vida y trabajar de manera más saludable y positiva. Se puede ver que necesitamos mejorar nuestra memoria. Cistanche deserticola puede mejorar significativamente la memoria, porque Cistanche deserticola también puede regular el equilibrio de los neurotransmisores, como aumentar los niveles de acetilcolina y factores de crecimiento. Estas sustancias son muy importantes para la memoria y el aprendizaje. Además, la carne también puede mejorar el flujo sanguíneo y promover el suministro de oxígeno, lo que puede garantizar que el cerebro reciba suficientes nutrientes y energía, mejorando así la vitalidad y la resistencia del cerebro.

Haga clic para conocer formas de mejorar la función cerebral

Usamos 10,000 permutaciones, modelando la cola de la distribución de permutación de valores P con una distribución de Pareto (Winkler, Ridgway, et al. 2016a) y control de la tasa de error familiar (FWER) para múltiples pruebas usando la distribución de la estadística máxima (Westfalland Young 1993). El conjunto de datos de HCP contiene sujetos que fueron muestreados junto con sus hermanos (en su mayoría gemelos), lo que significa que las mediciones no pueden considerarse independientes.

Para probar asociaciones entre variables de interés y al mismo tiempo tener en cuenta la estructura familiar en el conjunto de datos, utilizamos pruebas de permutación de bloques multinivel (Winkler et al. 2015). Estas asociaciones se corrigieron para términos lineales y cuadráticos, sexo, educación, ingresos y la puntuación compuesta de función cognitiva del NIH Toolbox ("CogTotalComp_Unadj"), una medida de inteligencia general. Se informaron 2-valores P de cola para las asociaciones probadas.

Análisis de vértices y vóxeles

A modo de comparación, también realizamos análisis univariados separados de vértices (grosor cortical, área de superficie) y de vóxeles (GMV, FA, MD) para probar asociaciones con DD. Estos análisis se realizaron utilizando pruebas de permutación no paramétricas implementadas en el software PALM de FSL, con 2,000 permutaciones y mejora de clúster sin umbral (Smith y Nichols 2009). Como en los análisis anteriores, modelamos la cola de la distribución de permutación de valores P con una distribución de Pareto, aplicamos el control FWER para pruebas múltiples utilizando la distribución del estadístico máximo y tomamos en cuenta la estructura familiar con pruebas de permutación de bloques multinivel. Como anteriormente, estos análisis se controlaron por términos lineales y cuadráticos, sexo, educación, ingresos e inteligencia general.

Resultados

Excluimos a los sujetos con respuestas incompletas en las tareas DD (3), que eligieron respuestas siempre inmediatas o retrasadas (9), o para quienes la probabilidad posterior de que la estadística pseudo-R2 (Camerer y Ho 1999) estuviera por encima de cero era inferior a {{5} }.95, es decir, sujetos para los cuales el modelo se ajustaba mejor a las respuestas que un modelo aleatorio (166). Estos criterios llevaron a la exclusión de 178 sujetos de la muestra de profesionales sanitarios. La Tabla 1 muestra información demográfica sobre las muestras y el número de observaciones válidas para las diferentes tareas cognitivas y modalidades de imágenes que se analizaron sobre DD. El valor subjetivo de las recompensas fue en promedio del 79% de su valor nominal después de un mes y del 23% después de un año. Las diferencias de género en DD no fueron significativas (hombre (n=473) > mujer (n=545):t=0.27, P=0.80).

Relación entre DD y materia gris

Después de corregir los términos lineales y cuadráticos de edad, sexo y volumen intracraneal total, la tasa de descuento no se asoció con el volumen cortical total ni con el volumen de ninguna de las estructuras subcorticales investigadas. La tabla 2 muestra las estadísticas de estas asociaciones.

Los mapas de espesor cortical, área de superficie y GMV se descompusieron conjuntamente con ICA vinculado en 50 componentes, definiendo cada uno de ellos un mapa espacial que refleja las regiones donde la estructura de la materia gris covarió fuertemente entre los participantes y las puntuaciones individuales que indican la magnitud de la contribución del componente. . Las puntuaciones de uno de los componentes de la materia gris se asociaron significativamente negativamente con DD (Fig. 2A, r =-0.172, Pcorr <1e-4, corregido para los 50 componentes probados, n=946).

De las 3 modalidades de materia gris, este componente tuvo el mayor peso (62%) en GMV (Fig. 2B), y sus mayores cargas se produjeron en el polo temporal y el precuneus (Fig. 2C y D). Debido a que la ICA sufre de indeterminación de signos, las puntuaciones de un componente deben interpretarse en relación con sus cargas (cuya distribución anatómica está representada por el mapa espacial correspondiente), es decir, una asociación negativa con las puntuaciones de un componente refleja una correlación negativa (parcial) con las mediciones de la estructura de la materia gris. en las zonas donde los valores de sus cargas son positivos. Estas asociaciones se corrigieron según términos lineales y cuadráticos de edad, sexo, educación e ingresos.

Al descomponer los datos en 100 componentes, de manera similar, solo un componente se asoció significativamente con DD, mostrando un patrón muy similar al recuperado con la descomposición de 50-componentes (Fig. 2E–G, r {{3 }} −0.158,Pcorr=5e−4, corregido para los 100 componentes probados, n=946). El análisis univariante de vóxeles también reveló una asociación significativa negativa entre GMV y DD en regiones temporales bilaterales de materia gris después de controlar términos de edad, sexo, educación e ingresos lineales y cuadráticos (Figura complementaria 2).

Estas regiones coincidían estrechamente con el patrón espacial del componente de materia gris identificado (Fig. 2C y G). No hubo región cortical donde la asociación entre DD y el espesor o área cortical fuera significativa después de la corrección FWER para pruebas múltiples en el análisis de vértices basado en superficie para estas medidas.

Para garantizar que la asociación con las puntuaciones de materia gris fuera específica del DD y no reflejara meramente la función cognitiva general, repetimos estos análisis añadiendo una medida de inteligencia general al conjunto de covariables sin interés. El mismo componente seguía siendo el único que se asociaba significativamente con DD ({{0}}componentdecomposition: r=−0.145, Pcorr=0.001; { {6}}descomposición de componentes: r=−0,138, Pcorr=0.123), y el resultado del análisis univariante de vóxeles se mantuvo prácticamente sin cambios (Figura complementaria 2).

Relación entre DD y materia blanca.

Descompusimos los datos de FA y MD conjuntamente en 50 componentes. Ninguno de los componentes se asoció con la tasa de descuento después de controlar por múltiples pruebas y covariar por términos lineales y cuadráticos de edad, sexo, educación e ingresos. El uso de 100 componentes o el control adicional de la inteligencia general produjo resultados similares. En consecuencia, no hubo ninguna región donde la asociación entre DD y FA o MD fuera significativa después de la corrección FWER para múltiples pruebas en el análisis de vóxeles.

Discusión

Después de examinar datos de comportamiento y de neuroimagen de una gran muestra de adultos sanos, nuestros hallazgos muestran que una mayor DD fue predicha por un GMV temporal anterior más pequeño. El tamaño de la muestra del conjunto de datos de HCP, mayor que el de la mayoría de estudios previos que vinculan el DD y la estructura del cerebro, nos otorgó el poder de capturar de manera confiable efectos de pequeña magnitud. Sin embargo, en contradicción con informes anteriores, no encontramos evidencia de una asociación confiable entre DD y el volumen cortical, los volúmenes subcorticales, la organización microestructural de la sustancia blanca y las puntuaciones en tareas de WM o EM.

Un mayor descuento se asoció con un GMV más pequeño en las regiones temporales anteriores. Este resultado fue sólido al cambiar el número de componentes ICA vinculados y controlar una medida de inteligencia general. Owenset al. (2017) analizaron el volumen cortical de exploraciones ponderadas T1-en el conjunto de datos de HCP e informaron asociaciones entre el volumen cortical y DD en regiones temporales correspondientes a las áreas del componente de materia gris identificadas por nuestro análisis.

Se espera la asociación con la materia gris temporal anterior (ya que utilizamos el mismo conjunto de datos), pero nuestro estudio amplía el anterior al examinar también el espesor y el área de superficie cortical y el GMV para las regiones subcorticales, así como las medidas de la estructura de la materia blanca. Más allá del hecho de que hemos incluido un conjunto más completo de medidas estructurales, respetamos la estructura familiar de los datos al calcular las asociaciones entre las medidas de la estructura cerebral y el DD para evitar estimaciones sesgadas que puedan resultar de asumir incorrectamente la independencia de las observaciones (Winkleret al. 2015).

También realizamos una selección más estricta de sujetos, excluyendo a aquellos que actuaban por casualidad, y descompusimos los datos en redes de covarianza estructural (Pehlivanova et al. 2018), un método que ofrece una mayor sensibilidad para detectar asociaciones con DD promediando juntos (en un método ponderado). manera) valores de las imágenes estructurales en las regiones del cerebro y combinando varias modalidades para producir estimaciones más sólidas. De hecho, una ventaja importante de utilizar ICA para descomponer datos de imágenes en redes de covarianza en comparación con un enfoque de voxel para el análisis de datos estructurales es que produce puntuaciones que deberían ser menos ruidosas que los valores basados ​​en voxel porque se obtienen como un promedio ponderado de la señal en todos los vóxeles del cerebro, implementando una reducción de dimensionalidad que puede disminuir el riesgo de errores de tipo II, aunque a expensas de una delimitación anatómica vaguera.

delineación anatómica. En contraste con el estudio de Owens et al. (2017), en nuestro análisis, la relación entre el volumen cortical y la DD no alcanzó significación. Es probable que esta divergencia sea producto de nuestras opciones de análisis más estrictas (eliminación de sujetos que respondieron al azar, pruebas no paramétricas que tienen en cuenta la estructura de la familia de datos, control más estricto de los factores de confusión) e indica que la asociación previamente informada entre el volumen cortical y el DD corresponde posiblemente a una relación espuria en lugar de hallazgo robusto. Parece plausible que una asociación del DD con una medida del volumen cortical global deba estar mediada por variables que reflejen aspectos más generales de la cognición que el DD.

A pesar del gran tamaño de la muestra del conjunto de datos de HCP, no encontramos evidencia de una asociación significativa entre la estructura de la materia blanca y la DD. Estudios anteriores que muestran reconstrucciones tractográficas en muestras más pequeñas han informado asociaciones negativas entre DD y medidas de fuerza de conectividad estructural (por ejemplo, número de líneas de corriente) en tractos específicos de materia blanca con el PFC (van den Bos et al. 2015; Hänggi et al. 2016; Hamptonet al. 2017). .

En contraste con los estudios que investigan la fuerza de la conectividad, analizamos mapas de FA procesados ​​con TBSS, una técnica que permite un análisis de amplio alcance de regiones de materia blanca y es más adecuada para el análisis exploratorio de conjuntos de datos a gran escala, debido a los costos computacionales y laborales asociados con realizando un mapeo tractográfico completo en una gran cantidad de sujetos. Hasta donde sabemos, la muestra de nuestro análisis es sustancialmente mayor que la de estudios anteriores que vinculan la materia blanca con el descuento. Sin embargo, observamos que un estudio reciente que empleó TBSS en 302 sujetos mayores sin demencia (Han et al. 2018) (edad media=81. 38 años, DE=7. 57 años, 75,5 % mujeres) informó una enfermedad generalizada. asociaciones negativas entre el descuento temporal y la FA en los tractos frontal, frontoestriatal y temporoparietal bilaterales. La discrepancia con nuestros resultados puede responder a diferencias demográficas en las muestras.

Dada la amplia naturaleza de sus asociaciones, sus hallazgos pueden estar reflejando mecanismos degenerativos relacionados con el envejecimiento, en contraposición al patrón más limitado que se esperaría para una medida específica como la DD. Además, Han et al. no controló por el nivel de ingresos. De hecho, al ajustar solo el forraje y el sexo en nuestro análisis, identificamos otros componentes de materia gris y blanca que tenían puntuaciones significativamente correlacionadas con las tasas de descuento (ver Material complementario). Si bien las muestras grandes son capaces de detectar efectos más pequeños, también existe un mayor riesgo de detectar asociaciones meramente producidas por variables de confusión, lo que hace que sea clave ajustar las covariables apropiadas.

Un trabajo reciente (Marek et al. 2022) ha enfatizado la importancia de utilizar muestras grandes en estudios de asociación cerebro-comportamiento en todo el cerebro y ha demostrado que los tamaños de muestra típicos para estos estudios deberían conducir a efectos irreproducibles y tamaños de efecto inflados. Suponiendo que el efecto real sea de aproximadamente 0,15 (comparable al tamaño del efecto para el componente de materia gris que identificamos y compatible con los resultados de Marek et al. 2022), se necesitarían más de 250 sujetos para lograr una potencia del 80%. Por lo tanto, la mayoría de los estudios anteriores en el área del DD han tenido poco poder estadístico, lo que explica las inconsistencias en la literatura mencionadas en la Sección 1. Tenga en cuenta que esta conclusión se aplica únicamente a las asociaciones cerebro-comportamiento y no a los estudios de mapeo cerebral demasiado funcional sobre el DD, que deberían requerir tamaños de muestra más pequeños para detectar efectos reales. Y, por lo tanto, no existe contradicción entre nuestros resultados y los hallazgos de esos estudios.

No pudimos encontrar una asociación entre la preferencia por recompensas inmediatas y ninguna de las pruebas de WM (LSWMT y 2-back). De manera similar, no hubo asociación entre DD y EM verbal o no verbal en los datos del HCP. Estos resultados están en línea con un estudio reciente (Yeh et al. 2021), que complementamos incluyendo la 2-tarea de espalda y un tratamiento estadístico más estricto, para el análisis de datos estructurales del cerebro. Aunque Shamosh et al. (2008) informaron un vínculo entre una WM más baja y una preferencia por recompensas inmediatas; esta correlación no era específica de la WM, ya que en sus datos esta capacidad no explicaba la variación en el DD más allá de la explicada por la inteligencia general. Al corregir las asociaciones solo por edad y sexo, DD se correlacionó significativamente negativamente con LSWMT, 2-espalda y puntuaciones de EM verbal (ver Material complementario), pero esta correlación ya no fue significativa cuando se ajustó por variables de estatus socioeconómico (que ya deberían tener en cuenta en parte función cognitiva general). Por lo tanto, nuestras consideraciones anteriores sobre asociaciones espurias debidas a variables molestas y hallazgos irreproducibles cuando se utilizan muestras pequeñas también se aplican a estos análisis.

Una limitación de nuestro estudio es que nuestros análisis no fueron registrados previamente y, por lo tanto, las asociaciones informadas no pueden considerarse confirmatorias. Sin embargo, creemos que una contribución importante de estos resultados es proporcionar estimaciones más precisas del tamaño del efecto para las relaciones entre medidas cognitivas, imágenes estructurales y elecciones intertemporales debido al tamaño de muestra considerablemente mayor de estudios anteriores. Otra limitación es la baja confiabilidad de las tasas de descuento. Los parámetros de las tareas han sido criticados por su baja confiabilidad test-retest (Enkavi et al. 2019) y, en el dominio relacionado de las preferencias de riesgo, por carecer de coherencia entre los paradigmas experimentales (Pedroni et al.2017). Estas razones pueden explicar en parte la escasez de asociaciones con la estructura cerebral que encontramos y la baja reproducibilidad de los hallazgos entre los estudios. Una vía futura crucial debería ser entonces diseñar paradigmas novedosos para medir la DD con mayor confiabilidad. Un posible camino a seguir puede consistir en obtener puntuaciones resumidas que combinen varios parámetros de la tarea para lograr una mayor confiabilidad y utilizar métodos multivariados para aumentar las posibilidades de encontrar asociaciones entre el cerebro y el comportamiento (Moutoussis et al.2021).

Teniendo en cuenta la importancia del DD en el estudio de la psicopatología, es fundamental determinar de forma sólida su andamiaje neurobiológico subyacente. Al aprovechar un gran conjunto de datos de neuroimagen, el presente estudio ayuda a conciliar las disparidades en la literatura sobre los correlatos de la materia gris y blanca del DD. Este rasgo de comportamiento se asoció negativamente con GMV en las regiones temporales anteriores y, lo que es más importante, el efecto estructural identificado fue pequeño, por lo que sería poco probable que se detectara en muestras con un tamaño comparable al encontrado en muchos estudios relacionados. En definitiva, las asociaciones con las capacidades cognitivas y la estructura cerebral pueden ser más débiles de lo que sugieren informes anteriores. Nuestros resultados exigen el desarrollo de medidas más sólidas de DD y la implementación de estudios de neuroimagen con tamaños de muestra más grandes que los que han sido comunes en el campo, así como un control apropiado de posibles factores de confusión.

Expresiones de gratitud

Agradecemos a Mats Erikson y Kajsa Burström por recopilar los datos. Agradecemos el conjunto de datos de acceso abierto proporcionado por el Proyecto Human Connectome, WU-Minn Consortium (Investigadores principales: David Van Essen y Kamil Ugurbil; 1U54MH091657).

Material suplementario

El material complementario está disponible en Cerebral Cortexonline.

Fondos

Este trabajo fue apoyado por el Consejo de Investigación Sueco (subvención número VR521-2013-2589 para MG-M), un Premio de Investigación Alexander von Humboldt (LB) y una donación de la Fundación AF Jochnick (LB).

Declaración de conflicto de intereses: el Dr. Zeb Kurth-Nelson es empleado de DeepMind. El resto de autores declaran no tener ningún conflicto de intereses.

Referencias

1. Addis DR, Wong AT, Schacter DL. Recordar el pasado e imaginar el futuro: sustratos neuronales comunes y distintos durante la construcción y elaboración de eventos. Neuropsicología. 2007:45:1363–1377.

2. Ahn WY, Rass O, Fridberg DJ, Bishara AJ, Forsyth JK, Breier A, Busemeyer JR, Hetrick WP, Bolbecker AR, O'Donnell BF. Descuento temporal de recompensas en pacientes con trastorno bipolar y esquizofrenia. J Anormal Psicología. 2011:120:911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Descuento por retraso pronunciado y comportamiento adictivo: un metanálisis de asociaciones continuas. Adiccion. 2017:112:51–62.

4. Ashburner J, Friston KJ. Morfometría basada en vóxeles: los métodos.NeuroImage. 2000:821:805–821.

5.Barch DM, Burgess GC, Harms MP, Petersen SE, Schlaggar BL, Corbetta M, Glasser MF, Curtiss S, Dixit S, Feldt C, et al. Función en el conectoma humano: Task-fMRI y diferencias individuales en el comportamiento. NeuroImagen. 2013:80:169–189.

For more information:1950477648nn@gmail.com