Identifizierung von Risikofaktoren, die das Auftreten von Anorexia nervosa und Bulimia nervosa vorhersagen

Datenüberprüfung, vorläufige Analysen und fehlende Daten. Die Daten werden doppelt eingegeben und Unstimmigkeiten korrigiert. Vorläufige Analysen werden Werte außerhalb des Bereichs oder ungewöhnliche Verteilungen untersuchen. Reaktionszeitdaten, die +/-2 SD vom Mittelwert abweichen, werden gemäß der Konvention von den Analysen ausgeschlossen. Alle Daten werden unabhängig von fehlenden Folgedaten analysiert. Fehlende Daten werden mithilfe der Maximum-Likelihood-Schätzung, der Mehrfachimputation oder der Typ-I- und zufälligen Rechtszensur behoben. Maximum-Likelihood-Verfahren sowie Mehrfachimputation können selbst in Fällen erheblicher Fluktuation unvoreingenommene Schätzungen liefern (Shafer & Graham, 2002). Mehrere Imputationsverfahren folgen Best-Practice-Empfehlungen (Graham et al., 2007) und fehlende Werte werden mithilfe des Mäusepakets in R imputiert (van Buuren & Groothuis-Oudshoorn, 2011). Beobachtete und unterstellte Datensätze werden verglichen, um sicherzustellen, dass sie ähnliche Verteilungen aufweisen. Sie werden separat analysiert und die Ergebnisse kombiniert, um Inferenztests auf der Grundlage durchschnittlicher Parameterschätzungen und Standardfehler zu erhalten (Rubin, 2009).

Bildverarbeitung. MR-Scans werden mit einem 3T GE MR 750-Scannersystem durchgeführt. Vom Blutsauerstoffgehalt abhängige echoplanare Bilder (BOLD-EPI) werden mit einer T2*-gewichteten Multiband-Erfassungssequenz (simultane Multischicht) (TR = 2000 ms, TE = 30 ms, Flipwinkel = 53, Multibandfaktor = 4) erfasst , 2,2 mm isotrope Voxelgröße; 64 8x8 axiale Scheiben ohne Lücke). Die Slices werden um ca. 30 Grad relativ zur AC-PC-Linie geneigt. Ein Rückprojektionssystem präsentiert visuelle Reize und ein Tastenfeld bewertet Verhaltensreaktionen. Der Zeitpunkt und die Übermittlung der experimentellen Aufgaben an die Stimulus-Anzeigegeräte werden über ein MacBook Pro mithilfe der auf MATLAB ausgeführten Psychtoolbox-Software gesteuert. Die Datenanalyse wird hauptsächlich mit Statistical Parametric Mapping 12 (SPM12) durchgeführt. Wir werden entweder Teilnehmer, für die wir schlechte Daten haben, erneut scannen oder einen Ersatz rekrutieren. Die Vorverarbeitung umfasst die Starrkörpertransformation (Neuausrichtung) und die Koregistrierung mit dem ersten Funktionsbild jedes Laufs. Bilder innerhalb jedes Durchlaufs werden mit dem ersten Bild dieses Durchlaufs und dann mit dem ersten Bild aus dem ersten Durchlauf ausgerichtet, wobei ein 6-Parameter-Starrkörperalgorithmus in SPM12 verwendet wird. Der MP-RAGE-Scan wird dann vom Schädel befreit (mit dem Gehirnextraktionstool von FSL) und auf eine hochauflösende, T1-gewichtete Vorlage normalisiert, die einen Satz Normalisierungsparameter ergibt. Anschließend werden Parameter auf alle funktionellen und anatomischen Bilder angewendet, die anschließend mit einem 6-mm-Glättungskern geglättet werden. Wir erwogen die Verwendung einer altersspezifischen Gehirnvorlage (Wilke et al., 2003), allerdings verbesserte die Verwendung in Analysen mit Jugendlichen die Datenqualität nicht. Statistische Vergleiche werden unter Verwendung eines allgemeinen linearen Modells in SPM12 auf Subjektebene berechnet und dann in Zufallseffektmodelle der zweiten Ebene importiert. Eine Monte-Carlo-Simulation unter Verwendung echter Glätte wird verwendet, um voxelweise und Clustergrößen-Schwellenwerte für unsere Daten zu berechnen, die sich an mehrere Vergleiche anpassen, um eine familienbezogene Typ-I-Fehlerrate von 5 % zu erreichen. Wir werden die Hunger- und Menstruationsphase kontrollieren . Wir korrigieren fMRT-Scans auf Bewegungs-, Scanner- und Liquorartefakte mithilfe der Rauschunterdrückung durch unabhängige Komponentenanalyse (ICA) (Kelly et al., 2010). Wir werden die Artifact Detection Toolbox (ART; Gabrieli Laboratory, McGovern Institute for Brain Research, Cambridge MA) verwenden, um Spitzen in der globalen mittleren Reaktion und Bewegungsausreißer in den Funktionsdaten zu erkennen. Bewegungsparameter werden als Regressoren in die Designmatrix bei der Analyse auf individueller Ebene einbezogen. Um Gehirnregionen zu identifizieren, die als Reaktion auf den Kontakt mit dünnen Frauen und kalorienreichen Lebensmitteln aktiviert werden, werden wir die fMRI BOLD-Reaktion während der Präsentation von Bildern dünner Frauen/kalorienreicher Lebensmittel mit Bildern durchschnittlicher Frauen/Gläser Wasser vergleichen. Zur Identifizierung Gehirnregionen, die als Reaktion auf die Nahrungsaufnahme aktiviert werden, werden wir die BOLD-Reaktion während der Einnahme von Milchshake mit der geschmacksneutralen Lösung vergleichen. Um Gehirnregionen zu identifizieren, die als Reaktion auf den erwarteten Empfang eines Milchshakes aktiviert werden, werden wir die BOLD-Reaktion während des Hinweises auf den bevorstehenden Empfang eines Milchshakes dem Hinweis auf den bevorstehenden Empfang einer geschmacklosen Lösung gegenüberstellen. Um die Gehirnaktivierung als Reaktion auf die hemmende Kontrolle auf kalorienreiche Lebensmittel zu identifizieren, werden wir die erfolgreich gehemmte Reaktion auf Versuche mit Desserts, die man nicht mitnehmen möchte, mit Versuchen mit Gemüse, die man nicht mitnehmen möchte, vergleichen.

Für die Verzögerungsdiskontierungsaufgabe wird die Rate, mit der der subjektive Wert einer Belohnung mit der Verzögerung abnimmt (TD-Rate), anhand der Gleichung von Mazur (1987) bewertet: Vd = V/ (1+kD), wobei Vd den diskontierten Wert bei darstellt D Verzögerung, V ist der undiskontierte Betrag und k ist der geschätzte diskontierte Parameter. Hohe k-Werte weisen auf eine Präferenz für unmittelbare Belohnungen hin. Vd wird durch die Berechnung des Indifferenzpunkts der einzelnen Personen ermittelt – der Wert der sofortigen Snack-Belohnung, der als ebenso attraktiv angesehen wird wie die 40 Einheiten verzögerte Snack-Belohnung. Für jede Verzögerung werden Indifferenzpunkte berechnet und an das hyperbolische Modell der Verzögerungsdiskontierungsrate (k) angepasst und dann logarithmisch transformiert (lnk).