Identificazione dei fattori di rischio che predicono l'insorgenza di anoressia nervosa e bulimia nervosa

Verifica dei dati, analisi preliminari e dati mancanti. I dati verranno inseriti due volte e le discrepanze verranno corrette. Analisi preliminari esamineranno valori fuori range o distribuzioni inusuali. I dati del tempo di reazione che sono +/-2 SD dalla media saranno esclusi dalle analisi, seguendo la convenzione. Tutti i dati verranno analizzati indipendentemente dai dati di follow-up mancanti. I dati mancanti verranno affrontati utilizzando la stima della massima verosimiglianza, l'imputazione multipla o il tipo I e la censura casuale a destra. Le procedure di massima verosimiglianza, così come l'imputazione multipla, possono fornire stime imparziali anche in casi di attrito sostanziale (Shafer & Graham, 2002). Le procedure di imputazione multipla seguiranno le raccomandazioni delle migliori pratiche (Graham et al., 2007) e i valori mancanti saranno imputati utilizzando il pacchetto mice in R (van Buuren & Groothuis-Oudshoorn, 2011). I set di dati osservati e imputati saranno confrontati per garantire che mostrino distribuzioni simili e saranno analizzati separatamente e i risultati combinati per ottenere test inferenziali basati su stime dei parametri medi ed errori standard (Rubin, 2009).

Elaborazione delle immagini. Le scansioni RM verranno eseguite con un sistema scanner 3T GE MR 750. Le immagini eco-planari dipendenti dal livello di ossigeno nel sangue (BOLD-EPI) saranno acquisite con sequenza di acquisizione multibanda pesata in T2* (multi-strato simultaneo) (TR=2000 ms, TE=30 ms, angolo di rotazione=53, fattore multibanda=4 , dimensione del voxel isotropico di 2,2 mm; 64 fette assiali 8x8 senza spazio). Le fette saranno inclinate di ~30 gradi rispetto alla linea AC-PC. Un sistema di retroproiezione presenterà stimoli visivi e una pulsantiera valuterà le risposte comportamentali. I tempi e la consegna dei compiti sperimentali all'apparecchiatura di visualizzazione dello stimolo saranno controllati tramite un MacBook Pro utilizzando il software Psychtoolbox eseguito su MATLAB. L'analisi dei dati verrà eseguita principalmente utilizzando Statistical Parametric Mapping 12 (SPM12). Eseguiremo nuovamente la scansione dei partecipanti per i quali disponiamo di dati scadenti o recluteremo un sostituto. La preelaborazione includerà la trasformazione del corpo rigido (riallineamento) e la coregistrazione alla prima immagine funzionale di ogni corsa. Le immagini all'interno di ogni corsa saranno allineate alla prima immagine di quella corsa, e quindi allineate alla prima immagine della prima corsa, utilizzando un algoritmo di corpo rigido a 6 parametri in SPM12. La scansione MP-RAGE verrà quindi spogliata del cranio (con lo strumento di estrazione del cervello di FSL) e normalizzata in un modello ad alta risoluzione, pesato in T1, che fornisce una serie di parametri di normalizzazione. I parametri verranno quindi applicati a tutte le immagini funzionali e anatomiche, che verranno quindi levigate con un kernel di levigatura da 6 mm. Abbiamo preso in considerazione l'utilizzo di modelli cerebrali specifici per età (Wilke et al., 2003), tuttavia, l'uso nelle analisi con adolescenti non ha migliorato la qualità dei dati. I confronti statistici saranno calcolati utilizzando un modello lineare generale in SPM12 a livello di soggetto, quindi importati in modelli a effetti casuali di secondo livello. Verrà utilizzata una simulazione Monte Carlo che utilizza la fluidità reale per calcolare le soglie in termini di voxel e di dimensione del cluster per i nostri dati che si adattano a confronti multipli per ottenere un tasso di errore di tipo I familiare del 5%. Controlleremo la fame e la fase mestruale . Correggeremo le scansioni fMRI per artefatti da movimento, scanner e fluido cerebrospinale utilizzando l'analisi dei componenti indipendenti (ICA) denoising (Kelly et al., 2010). Useremo Artifact Detection Toolbox (ART; Gabrieli Laboratory, McGovern Institute for Brain Research, Cambridge MA) per rilevare picchi nella risposta media globale e valori anomali di movimento nei dati funzionali. I parametri di movimento saranno inclusi come regressori nella matrice di progettazione all'analisi a livello individuale. Per identificare le regioni cerebrali attivate in risposta all'esposizione a donne magre e cibi ipercalorici, confronteremo la risposta fMRI BOLD durante la presentazione di immagini di donne magre/cibi ipercalorici rispetto a immagini di donne di peso medio/bicchieri d'acqua. le regioni cerebrali attivate in risposta alla ricezione del cibo contrapporremo la risposta BOLD durante la ricezione del milkshake rispetto alla soluzione insapore. Per identificare le regioni cerebrali attivate in risposta alla ricezione anticipata di milkshake, confronteremo la risposta BOLD durante il segnale per l'imminente ricezione del milkshake rispetto al segnale per l'imminente ricezione di una soluzione insapore. Per identificare l'attivazione cerebrale in risposta al controllo inibitorio di cibi ipercalorici, confronteremo la risposta inibita con successo a prove di dessert no-go rispetto a prove di verdure no-go.

Per il compito di attualizzazione del ritardo, il tasso al quale il valore soggettivo di una ricompensa decade con il ritardo (tasso TD) sarà valutato attraverso l'equazione di Mazur (1987): Vd = V/ (1+kD), dove Vd rappresenta il valore scontato a D ritardo, V è l'importo non scontato e k è il parametro scontato stimato. Alti valori di k indicano una preferenza per ricompense immediate. Vd sarà derivato calcolando il punto di indifferenza degli individui - il valore della ricompensa della merenda immediata che è considerata attraente quanto la ricompensa della merenda ritardata di 40 unità. I punti di indifferenza saranno calcolati per ogni ritardo e adattati al modello iperbolico del tasso di attualizzazione del ritardo (k) e quindi trasformato in log (lnk).