Identifikation af risikofaktorer, der forudsiger indtræden af ​​anorexia nervosa og bulimia nervosa

Dataverifikation, foreløbige analyser og manglende data. Data vil blive indtastet to gange og uoverensstemmelser rettet. Foreløbige analyser vil undersøge værdier uden for området eller usædvanlige fordelinger. Reaktionstidsdata, der er +/-2 SD fra middelværdien, vil blive udelukket fra analyser efter konvention. Alle data vil blive analyseret uanset manglende opfølgningsdata. Manglende data vil blive rettet ved hjælp af maksimal sandsynlighedsvurdering, multiple imputation eller type I og tilfældig højrecensur. Procedurer for maksimal sandsynlighed såvel som multiple imputation kan give upartiske estimater selv i tilfælde af betydelig nedslidning (Shafer & Graham, 2002). Flere imputationsprocedurer vil følge anbefalingerne for bedste praksis (Graham et al., 2007), og manglende værdier vil blive imputeret ved hjælp af musepakken i R (van Buuren & Groothuis-Oudshoorn, 2011). Observerede og imputerede datasæt vil blive sammenlignet for at sikre, at de viser lignende fordelinger, og de vil blive analyseret separat og resultater kombineret for at opnå inferentielle test baseret på gennemsnitlige parameterestimater og standardfejl (Rubin, 2009).

Billedbehandling. MR-scanninger vil blive udført med et 3T GE MR 750-scannersystem. Blodets iltniveauafhængige, ekkoplane billeder (BOLD-EPI) vil blive erhvervet med T2*-vægtet multibånd (samtidig multi-slice) optagelsessekvens (TR=2000ms, TE=30ms, flip-vinkel=53, multibåndsfaktor=4 , 2,2 mm isotrop voxelstørrelse; 64 8x8 aksiale skiver uden mellemrum). Skiver vippes ~30 grader i forhold til AC-PC-linjen. Et bagprojektionssystem vil præsentere visuelle stimuli, og en knapboks vil vurdere adfærdsmæssige reaktioner. Timing og levering af de eksperimentelle opgaver til stimulusdisplayudstyret vil blive styret via en MacBook Pro ved hjælp af Psychtoolbox-software, der køres på MATLAB. Dataanalyse vil primært blive udført ved hjælp af Statistical Parametric Mapping 12 (SPM12). Vi vil enten genscanne deltagere, som vi har dårlige data for, eller rekruttere en afløser. Forbehandling vil omfatte transformation af stiv krop (realignment) og samregistrering til det første funktionelle billede af hver kørsel. Billeder inden for hver kørsel vil blive justeret til det første billede af den kørsel og derefter justeret til det første billede fra den første kørsel ved hjælp af en 6-parameter rigid body-algoritme i SPM12. MP-RAGE-scanningen vil derefter blive strippet af kraniet (med FSL's hjerneekstraktionsværktøj) og normaliseret til en høj opløsning, T1-vægtet skabelon, der giver et sæt normaliseringsparametre. Parametre vil derefter blive anvendt på alle funktionelle og anatomiske billeder, som derefter vil blive udjævnet med en 6 mm udjævningskerne. Vi overvejede at bruge aldersspecifik hjerneskabelon (Wilke et al., 2003), men brug i analyser med unge forbedrede ikke datakvaliteten. Statistiske sammenligninger vil blive beregnet ved hjælp af en generel lineær model i SPM12 på fagniveau, derefter importeret til tilfældige effektmodeller på andet niveau. En Monte Carlo-simulering, der bruger ægte glathed, vil blive brugt til at beregne voxel- og klyngestørrelsestærskler for vores data, der justerer for flere sammenligninger for at opnå en familiemæssig type I fejlrate på 5%. Vi vil kontrollere for sult og menstruationsfase. . Vi vil korrigere fMRI-scanninger for bevægelses-, scanner- og cerebrospinalvæskeartefakter ved hjælp af uafhængig komponentanalyse (ICA) denoising (Kelly et al., 2010). Vi vil bruge Artifact Detection Toolbox (ART; Gabrieli Laboratory, McGovern Institute for Brain Research, Cambridge MA) til at detektere spidser i global gennemsnitlig respons og bevægelsesudlignere i de funktionelle data. Bevægelsesparametre vil blive inkluderet som regressorer i designmatrixen ved analyse på individuelt niveau. For at identificere hjerneregioner, der er aktiveret som reaktion på eksponering for tynde kvinder og fødevarer med højt kalorieindhold, vil vi kontrastere fMRI BOLD-respons under præsentationen af ​​tynde kvinder/fødevarer med højt kalorieindhold versus billeder af gennemsnitsvægtige kvinder/glas vand. hjerneregioner aktiveret som svar på madmodtagelse vi vil kontrast FED svar under modtagelse af milkshake vers smagløs løsning. For at identificere hjerneregioner, der er aktiveret som reaktion på forventet milkshakemodtagelse, vil vi kontrastere FED svar under signalet for forestående mælkeshakemodtagelse versus signalet for forestående modtagelse af smagløs opløsning. For at identificere hjerneaktivering som reaktion på hæmmende kontrol til fødevarer med højt kalorieindhold, vil vi sammenligne succesfuldt hæmmet respons på forsøg med no-go dessert versus no-go grøntsagsforsøg.

For forsinkelsesdiskonteringsopgaven vil den hastighed, hvormed den subjektive værdi af en belønning falder med forsinkelse (TD-rate), blive vurderet gennem Mazurs (1987) ligning: Vd = V/ (1+kD), hvor Vd repræsenterer den tilbagediskonterede værdi ved D forsinkelse, V er det uddiskonterede beløb, og k er den estimerede diskonterede parameter. Høje værdier af k indikerer en præference for øjeblikkelige belønninger. Vd vil blive udledt ved at beregne individers ligegyldighedspoint - værdien af ​​den umiddelbare snackbelønning, der anses for lige så attraktiv som 40 enheder forsinket snackbelønning. Ligegyldighedspoint vil blive beregnet for hver forsinkelse og tilpasset den hyperbolske model af forsinkelsesdiskonteringssats (k) og derefter logtransformeret (lnk).