Identificación de factores de riesgo que predicen la aparición de anorexia nerviosa y bulimia nerviosa

Verificación de datos, análisis preliminares y datos faltantes. Los datos se ingresarán dos veces y se corregirán las discrepancias. Los análisis preliminares examinarán valores fuera de rango o distribuciones inusuales. Los datos de tiempo de reacción que son +/-2 SD de la media se excluirán de los análisis, siguiendo la convención. Todos los datos se analizarán independientemente de los datos de seguimiento que falten. Los datos faltantes se abordarán utilizando la estimación de máxima verosimilitud, la imputación múltiple o el Tipo I y la censura aleatoria por la derecha. Los procedimientos de máxima verosimilitud, así como la imputación múltiple, pueden proporcionar estimaciones no sesgadas incluso en casos de desgaste sustancial (Shafer & Graham, 2002). Los procedimientos de imputación múltiple seguirán las recomendaciones de mejores prácticas (Graham et al., 2007) y los valores faltantes se imputarán utilizando el paquete de ratones en R (van Buuren & Groothuis-Oudshoorn, 2011). Los conjuntos de datos observados e imputados se compararán para garantizar que muestren distribuciones similares y se analizarán por separado y los resultados se combinarán para obtener pruebas inferenciales basadas en estimaciones de parámetros promedio y errores estándar (Rubin, 2009).

Procesamiento de imágenes. Las exploraciones por RM se realizarán con un sistema de escáner 3T GE MR 750. Las imágenes ecoplanares dependientes del nivel de oxígeno en la sangre (BOLD-EPI) se adquirirán con una secuencia de adquisición multibanda ponderada en T2* (multicorte simultáneo) (TR = 2000 ms, TE = 30 ms, ángulo de giro = 53, factor multibanda = 4 , tamaño de vóxel isotrópico de 2,2 mm; 64 cortes axiales de 8x8 sin espacios). Los cortes se inclinarán unos 30 grados en relación con la línea AC-PC. Un sistema de retroproyección presentará estímulos visuales y una botonera evaluará las respuestas conductuales. El tiempo y la entrega de las tareas experimentales al equipo de visualización de estímulos se controlarán a través de una MacBook Pro utilizando el software Psychtoolbox ejecutado en MATLAB. El análisis de datos se realizará principalmente utilizando Mapeo Paramétrico Estadístico 12 (SPM12). Volveremos a escanear a los participantes para los que tenemos datos deficientes o reclutaremos un reemplazo. El preprocesamiento incluirá la transformación de cuerpo rígido (realineación) y el registro conjunto a la primera imagen funcional de cada ejecución. Las imágenes dentro de cada ejecución se alinearán con la primera imagen de esa ejecución y luego se alinearán con la primera imagen de la primera ejecución, utilizando un algoritmo de cuerpo rígido de 6 parámetros en SPM12. A continuación, se extraerá el cráneo de la exploración MP-RAGE (con la herramienta de extracción de cerebro de FSL) y se normalizará a una plantilla ponderada en T1 de alta resolución que producirá un conjunto de parámetros de normalización. A continuación, se aplicarán parámetros a todas las imágenes funcionales y anatómicas, que luego se suavizarán con un núcleo de suavizado de 6 mm. Consideramos usar una plantilla cerebral específica para la edad (Wilke et al., 2003), sin embargo, el uso en análisis con adolescentes no mejoró la calidad de los datos. Las comparaciones estadísticas se calcularán utilizando un modelo lineal general en SPM12 a nivel de sujeto, luego se importarán a modelos de efectos aleatorios de segundo nivel. Se utilizará una simulación de Monte Carlo que utiliza la suavidad real para calcular los umbrales de tamaño de grupo y de vóxel para nuestros datos que se ajustan a las comparaciones múltiples para lograr una tasa de error de Tipo I familiar del 5%. Controlaremos el hambre y la fase menstrual. . Corregiremos los escaneos de IRMf para detectar artefactos de movimiento, escáner y líquido cefalorraquídeo mediante el análisis de componentes independientes (ICA) eliminando el ruido (Kelly et al., 2010). Usaremos Artifact Detection Toolbox (ART; Gabrieli Laboratory, McGovern Institute for Brain Research, Cambridge MA) para detectar picos en la respuesta media global y valores atípicos de movimiento en los datos funcionales. Los parámetros de movimiento se incluirán como regresores en la matriz de diseño en el análisis de nivel individual. Para identificar las regiones del cerebro activadas en respuesta a la exposición a mujeres delgadas y alimentos ricos en calorías, contrastaremos la respuesta de fMRI BOLD durante la presentación de imágenes de mujeres delgadas/alimentos ricos en calorías versus imágenes de mujeres de peso promedio/vasos de agua. Para identificar Las regiones del cerebro activadas en respuesta a la recepción de alimentos contrastarán la respuesta BOLD durante la recepción de una solución insípida frente a un batido. Para identificar las regiones del cerebro activadas en respuesta a la recepción anticipada de batido, contrastaremos la respuesta BOLD durante la señal de recepción inminente de batido frente a la señal de recepción inminente de solución insípida. Para identificar la activación cerebral en respuesta al control inhibitorio de los alimentos ricos en calorías, contrastaremos la respuesta inhibida con éxito a los ensayos de postres sin consumo frente a los ensayos de vegetales sin consumo.

Para la tarea de descuento por demora, la tasa a la que el valor subjetivo de una recompensa decae con la demora (tasa TD) se evaluará a través de la ecuación de Mazur (1987): Vd = V/ (1+kD), donde Vd representa el valor descontado en D retardo, V es el monto no descontado y k es el parámetro descontado estimado. Los valores altos de k indican una preferencia por las recompensas inmediatas. Vd se derivará calculando el punto de indiferencia de los individuos: el valor de la recompensa de refrigerio inmediato que se considera tan atractivo como la recompensa de refrigerio retrasado de 40 unidades. Los puntos de indiferencia se calcularán para cada demora y se ajustarán al modelo hiperbólico de tasa de descuento de demora (k) y luego se transformarán logarítmicamente (lnk).