Menyelidiki Asosiasi Diskon Keterlambatan Dengan Struktur Otak, Memori Kerja, dan Memori Episodik Bagian 2

Hubungan antara prediktor struktural dan DD

Kami menguji hubungan antara variabel yang diminati (volume subkortikal, komponen materi abu-abu dan materi putih, EM, WM) dan DD dengan model linier dan uji permutasi nonparametrik seperti yang diterapkan dalam perangkat lunak PALM FSL versi 1.11 (Winkler et al. 2014; Winkler, Webster, et al.2016b) berjalan pada MATLABR2017b.

Dalam beberapa tahun terakhir, seiring dengan peningkatan standar hidup masyarakat dan bertambahnya usia, masalah ingatan semakin menarik perhatian. Namun, beberapa orang sudah aktif melatih otaknya namun masih bermasalah dengan masalah ingatan. Saat ini, kita dapat mempertimbangkan penggunaan pengaturan non-parametrik untuk meningkatkan daya ingat.

Jadi, apa yang dimaksud dengan permutasi nonparametrik? Susunan nonparametrik merupakan metode statistik yang menyusun sekumpulan data menurut aturan tertentu tanpa perbandingan numerik. Dibandingkan dengan permutasi parametrik, permutasi non-parametrik memiliki penerapan yang lebih luas dan tidak terlalu banyak membuat asumsi tentang distribusi dan keleluasaan data.

Dan bagaimana cara menggunakan pengaturan non-parametrik untuk meningkatkan daya ingat? Pertama-tama, kita mengetahui bahwa otak manusia dapat menganalisis, menghafal, dan mengingat berbagai informasi seperti gambar, audio, teks, dll., sehingga kita dapat menggunakan pengaturan non-parametrik untuk meningkatkan kemampuan pemrosesan dan memori otak kita terhadap berbagai informasi.

Melalui beberapa latihan, seperti melatih daya ingat dan mengingat warna, angka, kata, dan informasi lainnya, kemudian menyusun informasi yang berbeda secara non-parametrik, terbentuklah struktur yang lebih teratur di otak, sehingga meningkatkan kemampuan memori otak.

Selain itu, permutasi non-parametrik dapat digunakan antara lain untuk meningkatkan fleksibilitas mental dan mengurangi kecemasan dan stres. Dengan melatih otak, otak dapat bekerja lebih fleksibel dan sehat, sehingga mengurangi depresi, kecemasan, dan emosi negatif lainnya yang tidak perlu, serta menghadapi kehidupan dan pekerjaan dengan lebih positif.

Singkatnya, pengaturan non-parametrik adalah metode yang layak dan efektif untuk meningkatkan memori otak dan fleksibilitas berpikir. Melalui latihan dan latihan terus menerus, kemampuan memori dan pemrosesan otak dapat ditingkatkan secara efektif, membantu kita menghadapi kehidupan dan bekerja dengan lebih sehat dan positif. Terlihat bahwa kita perlu meningkatkan daya ingat kita. Cistanche deserticola dapat meningkatkan daya ingat secara signifikan, karena Cistanche deserticola juga dapat mengatur keseimbangan neurotransmiter, seperti meningkatkan kadar asetilkolin dan faktor pertumbuhan. Zat-zat ini sangat penting untuk daya ingat dan pembelajaran. Selain itu, daging juga dapat meningkatkan aliran darah dan meningkatkan pengiriman oksigen, yang dapat memastikan otak menerima nutrisi dan energi yang cukup, sehingga meningkatkan vitalitas dan daya tahan otak.

Klik tahu cara meningkatkan fungsi otak

Kami menggunakan 10,000 permutasi, memodelkan ekor distribusi permutasi nilai P dengan distribusi Pareto (Winkler, Ridgway, dkk. 2016a), dan kontrol tingkat kesalahan keluarga (FWER) untuk beberapa pengujian menggunakan distribusi statistik maksimum (Westfaland Young 1993). Kumpulan data HCP berisi subjek yang dijadikan sampel bersama dengan saudara kandungnya (kebanyakan saudara kembarnya), yang berarti bahwa pengukurannya tidak dapat dianggap independen.

Untuk menguji hubungan antar variabel yang diminati sambil memperhitungkan struktur keluarga dalam kumpulan data, kami menggunakan pengujian permutasi blok bertingkat (Winkler dkk. 2015). Asosiasi ini dikoreksi untuk istilah usia linier dan kuadrat, jenis kelamin, pendidikan, pendapatan, dan skor gabungan fungsi kognitif dari NIH Toolbox ("CogTotalComp_Unadj"), yang merupakan ukuran kecerdasan umum. Kami melaporkan 2-nilai P berekor untuk asosiasi yang diuji.

Analisis berdasarkan titik dan voxel

Sebagai perbandingan, kami juga melakukan analisis univariatevertex (ketebalan kortikal, luas permukaan) dan analisis voxelwise (GMV, FA, MD) secara terpisah untuk menguji hubungan dengan DD. Analisis ini dilakukan dengan menggunakan uji permutasi nonparametrik seperti yang diterapkan dalam perangkat lunak PALM FSL, dengan permutasi 2,000, dan peningkatan cluster bebas ambang batas (Smith dan Nichols 2009). Seperti dalam analisis sebelumnya, kami memodelkan ekor distribusi permutasi nilai-P dengan distribusi Pareto, menerapkan kontrol FWER untuk beberapa pengujian menggunakan distribusi statistik maksimum, dan memperhitungkan struktur keluarga dengan pengujian permutasi blok bertingkat. Seperti di atas, analisis ini dikendalikan untuk istilah linier dan kuadrat, jenis kelamin, pendidikan, pendapatan, dan kecerdasan umum.

Hasil

Kami mengecualikan subjek dengan respons yang tidak lengkap dalam tugas DD (3), yang memilih respons selalu segera atau tertunda (9), atau yang probabilitas posterior statistik pseudo-R2 (Camerer dan Ho 1999) berada di atas nol berada di bawah {{5} }.95, yaitu subjek yang modelnya lebih sesuai dengan respons dibandingkan model kebetulan (166). Kriteria ini menyebabkan 178 subjek dikeluarkan dari sampel Profesi Kesehatan. Tabel 1 menampilkan informasi demografis tentang sampel dan jumlah observasi valid untuk berbagai tugas kognitif dan modalitas pencitraan yang dianalisis tentang DD. Nilai subjektif dari imbalan rata-rata 79% dari nilai nominalnya setelah satu bulan dan 23% setelah satu tahun. Perbedaan gender pada DD tidak signifikan (laki-laki (n=473) > perempuan (n=545):t=0.27, P=0.80).

Hubungan antara DD dan materi abu-abu

Setelah mengoreksi istilah linier dan kuadrat mengenai usia, jenis kelamin, dan total volume intrakranial, tingkat diskonto tidak dikaitkan dengan total volume kortikal atau volume struktur subkortikal mana pun yang diselidiki. Tabel 2 menampilkan statistik asosiasi ini.

Ketebalan kortikal, luas permukaan, dan peta GMV didekomposisi bersama dengan linked-ICA dalam 50 komponen, yang masing-masing menentukan peta spasial yang mencerminkan wilayah di mana struktur materi abu-abu sangat bervariasi antar peserta dan skor individu yang menunjukkan besarnya kontribusi komponen . Skor salah satu komponen materi abu-abu secara signifikan berhubungan negatif dengan DD (Gambar 2A, r =−0.172, Pcorr <1e−4, dikoreksi untuk 50 komponen yang diuji, n=946).

Dari 3 modalitas materi abu-abu, komponen ini memiliki bobot paling besar (62%) pada GMV (Gambar 2B), dan pembebanan terbesarnya berada di kutub temporal dan precuneus (Gambar 2C dan D). Karena ICA menderita ketidakpastian tanda, skor suatu komponen harus diinterpretasikan berdasarkan pembebanannya (yang distribusi anatominya diwakili oleh peta spasial yang sesuai), yaitu hubungan negatif dengan skor satu komponen mencerminkan korelasi negatif (parsial) dengan pengukuran struktur materi abu-abu. di daerah yang nilai pembebanannya positif. Asosiasi ini dikoreksi untuk istilah usia linier dan kuadrat, jenis kelamin, pendidikan, dan pendapatan.

Ketika mendekomposisi data dalam 100 komponen, hanya satu komponen yang secara signifikan dikaitkan dengan DD, menunjukkan pola yang sangat mirip dengan yang diambil dengan dekomposisi komponen 50-(Gbr. 2E–G, r {{3 }} −0.158,Pcorr=5e−4, dikoreksi untuk 100 komponen yang diuji,n=946). Analisis voxel-bijaksana univariat juga mengungkapkan hubungan negatif yang signifikan antara GMV dan DD di wilayah materi abu-abu temporal bilateral setelah mengendalikan istilah usia linier dan kuadrat, jenis kelamin, pendidikan, dan pendapatan (Gambar Tambahan 2).

Daerah-daerah ini sangat cocok dengan pola spasial untuk komponen materi abu-abu yang diidentifikasi (Gambar 2C dan G). Tidak ada wilayah kortikal di mana hubungan antara DD dan ketebalan atau area kortikal signifikan setelah koreksi FWER untuk beberapa pengujian dalam analisis berbasis permukaan untuk pengukuran ini.

Untuk memastikan bahwa hubungan dengan skor materi abu-abu spesifik untuk DD dan tidak hanya mencerminkan fungsi kognitif umum, kami mengulangi analisis ini dengan menambahkan ukuran kecerdasan umum ke kumpulan kovariat yang tidak ada kepentingannya. Komponen yang sama masih merupakan satu-satunya yang berasosiasi signifikan dengan dekomposisi komponen DD ({0}}: r=−0.145, Pcorr=0.001; { {6}}dekomposisi komponen: r=−0.138, Pcorr=0.123), dan hasil analisis voxel-bijaksana univariat sebagian besar tetap tidak berubah (Gambar Tambahan 2).

Hubungan antara DD dan materi putih

Kami menguraikan data FA dan MD menjadi 50 komponen. Tidak ada satu pun komponen yang dikaitkan dengan tingkat diskonto setelah dilakukan kontrol terhadap beberapa tes dan kovarian untuk istilah usia, jenis kelamin, pendidikan, dan pendapatan linier dan kuadrat. Menggunakan 100 komponen atau mengendalikan tambahan untuk kecerdasan umum menghasilkan hasil yang serupa. Sejalan dengan itu, tidak ada wilayah di mana hubungan antara DD dan FA atau MD signifikan setelah koreksi FWER untuk beberapa pengujian dalam analisis voxel.

Diskusi

Setelah memeriksa data perilaku dan neuroimaging dari sampel besar orang dewasa yang sehat, temuan kami menunjukkan bahwa DD yang lebih besar diprediksi oleh GMV temporal anterior yang lebih kecil. Ukuran sampel kumpulan data HCP, yang lebih besar dari sebagian besar penelitian sebelumnya yang menghubungkan DD dan struktur otak, memberi kami kemampuan untuk menangkap efek dengan besaran kecil secara andal. Namun, bertentangan dengan laporan sebelumnya, kami tidak menemukan bukti hubungan yang dapat diandalkan antara DD dan volume kortikal, volume subkortikal, organisasi mikrostruktur materi putih, dan skor dalam tugas WM atau EM.

Diskon yang lebih besar dikaitkan dengan GMV yang lebih kecil di wilayah temporal anterior. Hasil ini kuat dalam mengubah jumlah komponen ICA yang terkait dan mengendalikan ukuran kecerdasan umum. Owenset al. (2017) menganalisis volume kortikal dari pemindaian berbobot T1-dalam kumpulan data HCP dan melaporkan hubungan antara volume kortikal dan DD di wilayah temporal sesuai dengan area di komponen materi abu-abu yang diidentifikasi oleh analisis kami.

Hubungan dengan materi abu-abu anteriortemporal diharapkan terjadi (karena kami menggunakan kumpulan data yang sama), namun penelitian kami memperluas penelitian sebelumnya dengan juga memeriksa ketebalan kortikal dan luas permukaan dan GMV untuk daerah subkortikal, serta ukuran struktur materi putih. Di luar fakta bahwa kami telah memasukkan serangkaian ukuran struktural yang lebih menyeluruh, kami menghormati struktur keluarga data dalam menghitung hubungan antara ukuran struktur otak dan DD untuk menghindari perkiraan bias yang mungkin timbul dari asumsi independensi observasi yang salah (Winkleret al. 2015).

Kami juga melakukan seleksi subjek yang lebih ketat, tidak termasuk subjek yang berprestasi, dan menguraikan data dalam jaringan kovarians struktural (Pehlivanova dkk. 2018), sebuah metode yang memberikan sensitivitas lebih besar untuk mendeteksi hubungan dengan DD dengan membuat rata-rata bersama (dalam bobot cara) nilai-nilai gambaran struktural di seluruh wilayah otak dan menggabungkan beberapa modalitas untuk menghasilkan perkiraan yang lebih kuat. Memang benar, keuntungan penting dari penggunaan ICA untuk menguraikan data pencitraan dalam jaringan kovarians melalui pendekatan berbasis voxel untuk analisis data struktural adalah bahwa ia menghasilkan skor yang tidak terlalu berisik dibandingkan nilai berbasis voxel karena skor tersebut diperoleh sebagai rata-rata tertimbang dari sinyal dalam semua voxel di otak, menerapkan pengurangan dimensi yang dapat menurunkan risiko kesalahan tipe II, meskipun dengan mengorbankan penggambaran anatomis yang tidak jelas.

penggambaran anatomi. Berbeda dengan penelitian Owens dkk. (2017), dalam analisis kami, hubungan antara volume kortikal dan DD tidak mencapai signifikansi. Perbedaan ini mungkin merupakan produk dari pilihan analisis kami yang lebih ketat (penghapusan subjek yang merespons secara acak, tes nonparametrik yang memperhitungkan struktur keluarga data, kontrol yang lebih ketat untuk perancu) dan menunjukkan bahwa hubungan yang dilaporkan sebelumnya antara volume kortikal dan DD mungkin lebih berkaitan dengan kepalsuan daripada hubungan antara volume kortikal dan DD. temuan yang kuat. Tampaknya masuk akal bahwa hubungan DD dengan ukuran volume kortikal global harus dimediasi oleh variabel yang mencerminkan aspek kognisi yang lebih umum dibandingkan DD.

Meskipun ukuran sampel kumpulan data HCP besar, kami tidak menemukan bukti hubungan yang signifikan antara struktur materi putih dan DD. Penelitian sebelumnya yang menunjukkan rekonstruksi traktografik pada sampel yang lebih kecil telah melaporkan hubungan negatif antara DD dan ukuran kekuatan konektivitas struktural (misalnya jumlah jalur arus) pada saluran white matter tertentu terhadap PFC (van den Bos dkk. 2015; Hänggi dkk. 2016; Hampton dkk. 2017) .

Berbeda dengan penelitian yang menyelidiki kekuatan konektivitas, kami menganalisis peta FA yang diproses dengan TBSS, sebuah teknik yang memungkinkan analisis luas wilayah white matter dan lebih cocok untuk analisis eksplorasi kumpulan data berskala besar, karena biaya komputasi dan tenaga kerja yang terkait dengan hal tersebut. melakukan pemetaan traktografi komprehensif pada sejumlah besar subjek. Sepengetahuan kami, sampel dalam analisis kami jauh lebih besar dibandingkan penelitian sebelumnya yang menghubungkan white matter dengan diskon. Namun, kami mencatat bahwa penelitian terbaru yang menggunakan TBSS pada 302 subjek lanjut usia tanpa demensia (Han dkk. 2018)(usia rata-rata=81,38 tahun, SD=7,57 tahun, 75,5% perempuan) melaporkan adanya prevalensi yang luas hubungan negatif antara diskon temporal dan FA pada saluran bilateral frontal, frontostriatal, dan temporoparietal. Ketidaksepakatan dengan hasil kami mungkin disebabkan oleh perbedaan demografi dalam sampel.

Mengingat sifat luas dari hubungan tersebut, temuan mereka mungkin mencerminkan mekanisme degeneratif terkait penuaan, dibandingkan dengan pola yang lebih terbatas yang diharapkan terjadi pada tindakan tertentu seperti DD. Selain itu, Han dkk. tidak mengendalikan tingkat pendapatan. Memang benar, ketika hanya menyesuaikan hijauan dan jenis kelamin dalam analisis kami, kami mengidentifikasi lebih lanjut komponen materi abu-abu dan putih yang memiliki skor yang berkorelasi signifikan dengan tingkat diskon (lihat Bahan Tambahan). Meskipun sampel yang besar mampu mendeteksi efek yang lebih kecil, terdapat juga risiko yang lebih tinggi untuk mendeteksi hubungan yang hanya dihasilkan oleh variabel perancu, sehingga penyesuaian terhadap kovariat yang sesuai merupakan hal yang penting.

Penelitian terbaru (Marek dkk. 2022) telah menekankan pentingnya penggunaan sampel berukuran besar dalam studi asosiasi otak-perilaku di seluruh otak dan menunjukkan bahwa ukuran sampel tipikal untuk penelitian ini seharusnya mengarah pada efek yang tidak dapat direproduksi dan ukuran efek yang meningkat. Dengan asumsi bahwa efek sebenarnya adalah sekitar 0,15 (sebanding dengan ukuran efek komponen materi abu-abu, yang kami identifikasi dan sesuai dengan hasil dari Marek dkk. 2022), diperlukan lebih dari 250 subjek untuk mencapai kekuatan 80%. Oleh karena itu, sebagian besar penelitian sebelumnya di bidang DD kurang kuat, sehingga menjelaskan ketidakkonsistenan literatur yang disebutkan di Bagian 1. Perlu dicatat bahwa kesimpulan ini hanya berlaku untuk asosiasi otak-perilaku dan bukan studi pemetaan otak yang terlalu fungsional mengenai DD, yang memerlukan ukuran sampel yang lebih kecil untuk mendeteksi efek sebenarnya. , dan oleh karena itu, tidak ada kontradiksi antara hasil kami dan temuan penelitian tersebut.

Kami tidak dapat menemukan hubungan antara preferensi untuk hadiah langsung dan tes WM mana pun (LSWMT dan 2-kembali). Demikian pula, tidak ada hubungan DD dengan EM verbal atau nonverbal dalam data HCP. Hasil ini sejalan dengan penelitian terbaru (Yeh et al. 2021), yang kami lengkapi dengan menyertakan 2-tugas belakang dan perlakuan statistik yang lebih ketat, untuk analisis data struktur otak. Meskipun Shamosh dkk. (2008) melaporkan adanya hubungan antara WM yang lebih rendah dan preferensi terhadap imbalan langsung, korelasi ini tidak spesifik untuk WM, karena dalam data mereka kemampuan ini tidak menjelaskan varians dalam DD selain yang dijelaskan oleh kecerdasan umum. Ketika mengoreksi hubungan hanya untuk usia dan jenis kelamin, DD berkorelasi negatif secara signifikan dengan skor LSWMT, punggung, dan EM verbal (lihat Materi Tambahan), namun korelasi ini tidak lagi signifikan ketika disesuaikan dengan variabel status sosial ekonomi (yang seharusnya sudah memperhitungkan sebagian fungsi kognitif umum). Dengan demikian, pertimbangan kami di atas mengenai asosiasi palsu akibat variabel gangguan dan temuan yang tidak dapat direproduksi ketika menggunakan sampel kecil juga berlaku untuk analisis ini.

Keterbatasan penelitian kami adalah bahwa analisis kami tidak didaftarkan sebelumnya, dan oleh karena itu, hubungan yang dilaporkan tidak dapat dianggap sebagai konfirmasi. Namun demikian, kami percaya bahwa kontribusi penting dari hasil ini adalah dalam memberikan perkiraan efek yang lebih tepat untuk hubungan antara ukuran kognitif, pencitraan struktural, dan pilihan antarwaktu karena ukuran sampel penelitian sebelumnya yang jauh lebih besar. Keterbatasan lainnya adalah rendahnya keandalan tingkat diskonto. Parameter tugas telah dikritik karena rendahnya reliabilitas tes-tes ulang (Enkavi et al. 2019) dan, dalam domain terkait preferensi risiko, karena kurangnya konsistensi di seluruh paradigma eksperimental (Pedroni et al.2017). Alasan-alasan ini mungkin sebagian menjelaskan kurangnya hubungan dengan struktur otak yang kami temukan dan rendahnya reproduktifitas temuan di seluruh penelitian. Jalan keluar yang penting di masa depan adalah merancang paradigma baru untuk mengukur DD dengan keandalan yang lebih baik. Kemungkinan langkah ke depan mungkin terletak pada memperoleh skor ringkasan yang menggabungkan beberapa parameter tugas untuk mencapai keandalan yang lebih tinggi dan menggunakan metode multivariat untuk meningkatkan peluang menemukan hubungan otak-perilaku (Moutoussis dkk.2021).

Mengingat pentingnya DD dalam studi psikopatologi, penting untuk menentukan secara kuat perancah neurobiologis yang mendasarinya. Dengan memanfaatkan kumpulan data neuroimaging yang besar, penelitian ini membantu mendamaikan perbedaan dalam literatur tentang korelasi materi abu-abu dan putih dengan DD. Ciri perilaku ini dikaitkan secara negatif dengan GMV di daerah temporal anterior dan, yang penting, efek struktural yang teridentifikasi kecil, sehingga tidak mungkin terdeteksi dalam sampel dengan ukuran yang sebanding dengan yang ditemukan di banyak penelitian terkait. Secara keseluruhan, hubungan dengan kemampuan kognitif dan struktur otak mungkin lebih lemah dibandingkan laporan sebelumnya. Hasil kami memerlukan pengembangan langkah-langkah DD yang lebih kuat dan penerapan studi neuroimaging dengan ukuran sampel yang lebih besar daripada yang biasa dilakukan di lapangan serta pengendalian yang tepat untuk kemungkinan perancu.

Ucapan Terima Kasih

Kami berterima kasih kepada Mats Erikson dan Kajsa Burström yang telah mengumpulkan data. Kami berterima kasih atas kumpulan data akses terbuka yang disediakan oleh Human Connectome Project, Konsorsium WU-Minn (Penyelidik Utama: David Van Essen dan Kamil Ugurbil; 1U54MH091657).

Materi tambahan

Materi pelengkap tersedia di Cerebral Cortexonline.

Pendanaan

Pekerjaan ini didukung oleh Swedish ResearchCouncil (nomor hibah VR521-2013-2589 kepada MG-M), Alexander von Humboldt Research Award (LB), dan donasi dari AF Jochnick Foundation (LB).

Pernyataan konflik kepentingan: Dr Zeb Kurth-Nelson dipekerjakan oleh DeepMind. Penulis lainnya menyatakan tidak ada konflik kepentingan.

Referensi

1. Addis DR, Wong AT, Schacter DL. Mengingat masa lalu dan membayangkan masa depan: substrat saraf yang umum dan berbeda selama konstruksi dan elaborasi peristiwa. Neuropsikologi. 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. Diskon sementara imbalan pada pasien dengan gangguan bipolar dan skizofrenia. J Abnormal Psikol. 2011:120:911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Penundaan curam diskon dan perilaku adiktif: meta-analisis dari asosiasi berkelanjutan. Kecanduan. 2017:112:51–62.

4. Ashburner J, Friston KJ. Morfometri Berbasis Voxel—Metode.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, dkk. Fungsi dalam hubungan manusia: Tugas-fMRI dan perbedaan individu dalam perilaku. Gambar Neuro. 2013:80:169–189.

For more information:1950477648nn@gmail.com