Identifikace rizikových faktorů, které předpovídají nástup mentální anorexie a mentální bulimie

Ověření dat, předběžné analýzy a chybějící data. Údaje budou zadány dvakrát a nesrovnalosti budou opraveny. Předběžné analýzy budou zkoumat hodnoty mimo rozsah nebo neobvyklé rozložení. Údaje o reakční době, které jsou +/-2 SD od průměru, budou podle konvence z analýz vyloučeny. Všechna data budou analyzována bez ohledu na chybějící následná data. Chybějící data budou vyřešena pomocí odhadu maximální věrohodnosti, vícenásobné imputace nebo typu I a cenzury nahodilého práva. Postupy maximální věrohodnosti, stejně jako vícenásobná imputace, mohou poskytnout nezkreslené odhady i v případech podstatného opotřebení (Shafer & Graham, 2002). Vícenásobné imputační procedury se budou řídit doporučeními osvědčených postupů (Graham et al., 2007) a chybějící hodnoty budou imputovány pomocí myšího balíčku v R (van Buuren & Groothuis-Oudshoorn, 2011). Pozorované a imputované datové soubory budou porovnány, aby bylo zajištěno, že vykazují podobná rozdělení, a budou analyzovány samostatně a výsledky kombinovány, aby se získaly inferenční testy založené na odhadech průměrných parametrů a standardních chybách (Rubin, 2009).

Zpracování obrazu. MR skeny budou prováděny pomocí skenerového systému 3T GE MR 750. Echo-planární snímky závislé na hladině kyslíku v krvi (BOLD-EPI) budou pořízeny pomocí T2* vážené vícepásmové (simultánní víceřezové) sekvence akvizice (TR=2000 ms, TE=30ms, úhel převrácení=53, vícepásmový faktor=4 , velikost izotropního voxelu 2,2 mm; 64 axiálních řezů 8x8 bez mezery). Řezy budou nakloněny ~30 stupňů vzhledem k linii AC-PC. Systém zadní projekce bude představovat vizuální podněty a tlačítková skříňka bude vyhodnocovat reakce chování. Načasování a doručování experimentálních úloh do zařízení pro zobrazování stimulů bude řízeno pomocí MacBooku Pro pomocí softwaru Psychtoolbox běžícího na MATLABu. Analýza dat bude primárně provedena pomocí Statistical Parametric Mapping 12 (SPM12). Účastníky, o kterých máme špatná data, buď znovu proskenujeme, nebo najmeme náhradu. Předzpracování bude zahrnovat transformaci tuhého těla (realignment) a společnou registraci k prvnímu funkčnímu snímku každého cyklu. Snímky v každém cyklu budou zarovnány s prvním snímkem tohoto cyklu a poté zarovnány s prvním snímkem z prvního cyklu pomocí 6parametrového algoritmu tuhého těla v SPM12. Sken MP-RAGE pak bude odstraněn z lebky (pomocí nástroje pro extrakci mozku FSL) a normalizován na šablonu s vysokým rozlišením, váženou T1, poskytující sadu normalizačních parametrů. Parametry budou poté aplikovány na všechny funkční a anatomické snímky, které budou následně vyhlazeny 6mm vyhlazovacím jádrem. Zvažovali jsme použití věkově specifické mozkové šablony (Wilke et al., 2003), avšak použití v analýzách s adolescenty kvalitu dat nezlepšilo. Statistická srovnání budou vypočítána pomocí obecného lineárního modelu v SPM12 na úrovni předmětu a poté importována do modelů náhodných efektů druhé úrovně. Simulace Monte Carlo využívající skutečnou hladkost bude použita k výpočtu prahů velikosti voxelů a velikosti clusteru pro naše data, která se upraví pro vícenásobná srovnání, aby se dosáhlo 5% chybovosti typu I v rodině. Budeme kontrolovat hlad a menstruační fázi . Opravíme fMRI skeny na pohyb, skener a artefakty mozkomíšního moku pomocí odšumování nezávislé analýzy komponent (ICA) (Kelly et al., 2010). Použijeme nástroj Artifact Detection Toolbox (ART; Gabrieli Laboratory, McGovern Institute for Brain Research, Cambridge MA) k detekci špiček v globální střední odezvě a odlehlých hodnotách pohybu ve funkčních datech. Pohybové parametry budou zahrnuty jako regresory do návrhové matice při analýze na individuální úrovni. Abychom identifikovali oblasti mozku aktivované v reakci na vystavení hubeným ženám a vysoce kalorickým potravinám, porovnáme odezvu fMRI BOLD během prezentace obrázků hubených žen / vysoce kalorických potravin s obrázky žen s průměrnou hmotností / sklenicemi vody. oblasti mozku aktivované v reakci na příjem potravy porovnáme odpověď TUČNÉ při příjmu mléčného koktejlu s roztokem bez chuti. Abychom identifikovali oblasti mozku aktivované v reakci na očekávaný příjem mléčného koktejlu, porovnáme odpověď BOLD během narážky na blížící se příjem mléčného koktejlu s narážkou na nadcházející příjem roztoku bez chuti. Abychom identifikovali aktivaci mozku v reakci na inhibiční kontrolu na vysoce kalorická jídla, porovnáme úspěšně inhibovanou reakci na pokusy se zeleninou, které nejsou povoleny, a pokusy se zeleninou.

U úlohy diskontování zpoždění bude míra, s jakou subjektivní hodnota odměny klesá se zpožděním (míra TD), posouzena pomocí Mazurovy (1987) rovnice: Vd = V/ (1+kD), kde Vd představuje diskontovanou hodnotu při D zpoždění, V je nediskontovaná částka a k je odhadovaný diskontovaný parametr. Vysoké hodnoty k naznačují preferenci okamžitých odměn. Vd bude odvozeno výpočtem individuálního bodu lhostejnosti – hodnoty okamžité odměny za svačinu, která je považována za stejně atraktivní jako odměna za odloženou svačinu o 40 jednotek. Pro každé zpoždění budou vypočteny indiferenční body a přizpůsobeny hyperbolickému modelu diskontní sazby zpoždění (k) a poté logaritmicky transformované (lnk).