Los estudios asociados multivariantes de todo el cerebro pueden replicarse con tamaños de muestra sustancialmente más pequeños



FMRI scan during working memory tasks

Desde el desarrollo de la resonancia magnética funcional en la década de 1990, la confianza en la neuroimagen se ha disparado a medida que los investigadores investigan cómo los datos de resonancia magnética funcional del cerebro en reposo y la estructura anatómica del cerebro en sí pueden usarse para predecir rasgos individuales, como depresión, deterioro cognitivo y trastornos cerebrales.

Las imágenes cerebrales tienen el potencial de revelar los fundamentos neuronales de muchos rasgos, desde trastornos como la depresión y el dolor crónico generalizado hasta por qué una persona tiene mejor memoria que otra y por qué la memoria de algunas personas es resistente a medida que envejecen. Pero la fiabilidad de las imágenes cerebrales para detectar rasgos ha sido un tema de amplio debate.

Investigaciones anteriores sobre estudios asociados en todo el cerebro (denominados ‘BWAS’) han demostrado que los vínculos entre la función y la estructura del cerebro y los rasgos son tan débiles que se necesitan miles de participantes para detectar efectos replicables. La investigación de esta escala requiere una inversión de millones de dólares en cada estudio, lo que limita qué rasgos y trastornos cerebrales se pueden estudiar.

Sin embargo, según un nuevo comentario publicado en Naturaleza, Se pueden obtener vínculos más fuertes entre las medidas cerebrales y los rasgos cuando se utilizan algoritmos de reconocimiento de patrones (o “aprendizaje automático”) de última generación, que pueden obtener resultados de gran potencia a partir de tamaños de muestra moderados.

En su artículo, investigadores de Dartmouth y University Medicine Essen brindan una respuesta a un análisis anterior de estudios de asociación en todo el cerebro dirigidos por Scott Marek en la Escuela de Medicina de la Universidad de Washington, Brenden Tervo-Clemmens en el Hospital General de Massachusetts/Escuela de Medicina de Harvard, y colegas. . El estudio anterior encontró asociaciones muy débiles en una variedad de rasgos en varios estudios grandes de imágenes cerebrales, y concluyó que se necesitarían miles de participantes para detectar estas asociaciones.

El nuevo artículo explica que los efectos muy débiles encontrados en el documento anterior no se aplican a todas las imágenes cerebrales y todos los rasgos, sino que se limitan a casos específicos. Describe cómo los datos de fMRI de cientos de participantes, en lugar de miles, se pueden aprovechar mejor para generar información de diagnóstico importante sobre las personas.

Una clave para asociaciones más sólidas entre las imágenes del cerebro y rasgos como la memoria y la inteligencia es el uso de algoritmos de reconocimiento de patrones de última generación. “Dado que prácticamente no existe una función mental realizada en su totalidad por un área del cerebro, recomendamos usar el reconocimiento de patrones para desarrollar modelos de cómo múltiples áreas del cerebro contribuyen a predecir rasgos, en lugar de evaluar las áreas del cerebro individualmente”, dice el autor principal Tor Wager, el Diana L. Taylor Profesora Distinguida de Ciencias Psicológicas y Cerebrales y directora del Brain Imaging Center en Dartmouth.

Si se aplican modelos de múltiples áreas del cerebro trabajando juntas en lugar de aisladas, esto proporciona un enfoque mucho más poderoso en los estudios de neuroimagen, produciendo efectos predictivos que son cuatro veces mayores que cuando se prueban áreas del cerebro de forma aislada”.


Tamas Spisak, autor principal, jefe del laboratorio de neuroimagen predictiva del Instituto de radiología diagnóstica e intervencionista y neurorradiología de la Universidad de Medicina de Essen

Sin embargo, no todos los algoritmos de reconocimiento de patrones son iguales y encontrar los algoritmos que funcionan mejor para tipos específicos de datos de imágenes cerebrales es un área activa de investigación. El artículo anterior de Marek, Tervo-Clemmens et al. también probó si el reconocimiento de patrones se puede usar para predecir rasgos a partir de imágenes cerebrales, pero Spisak y sus colegas descubrieron que el algoritmo que usaron no es óptimo.

Cuando los investigadores aplicaron un algoritmo más potente, los efectos se hicieron aún más grandes y se pudieron detectar asociaciones confiables en muestras mucho más pequeñas. “Cuando haces los cálculos de potencia sobre cuántos participantes se necesitan para detectar efectos replicables, el número cae por debajo de 500 personas”, dice Spisak.

“Esto abre el campo a los estudios de muchos rasgos y condiciones clínicas para los que no es posible obtener miles de pacientes, incluidos los trastornos cerebrales raros”, dice la coautora Ulrike Bingel de la Universidad de Medicina de Essen, quien es directora del Centro Universitario para el Dolor. Medicamento. “Se necesita con urgencia la identificación de marcadores, incluidos los que involucran al sistema nervioso central, ya que son fundamentales para mejorar los diagnósticos y los enfoques de tratamiento personalizados. Necesitamos avanzar hacia un enfoque de medicina personalizada basado en la neurociencia. El potencial de BWAS multivariante para movernos hacia este objetivo no debe subestimarse”.

El equipo explica que las asociaciones débiles encontradas en el análisis anterior, particularmente a través de imágenes cerebrales, se recopilaron mientras las personas simplemente descansaban en el escáner, en lugar de realizar tareas. Pero fMRI también puede capturar la actividad cerebral vinculada a pensamientos y experiencias específicas de momento a momento.

Wager cree que vincular los patrones cerebrales con estas experiencias puede ser clave para comprender y predecir las diferencias entre los individuos. “Uno de los desafíos asociados con el uso de imágenes cerebrales para predecir rasgos es que muchos rasgos no son estables o confiables. Si usamos imágenes cerebrales para enfocarnos en estudiar estados mentales y experiencias, como el dolor, la empatía y el ansia por las drogas, los efectos puede ser mucho más grande y más confiable”, dice Wager. “La clave es encontrar la tarea correcta para capturar el estado”.

“Por ejemplo, mostrar imágenes de drogas a personas con trastornos por uso de sustancias puede provocar antojos de drogas, según un estudio anterior que reveló un neuromarcador para los antojos”, dice Wager.

“Es importante identificar qué enfoques para comprender el cerebro y la mente tienen más probabilidades de éxito, ya que esto afecta la forma en que las partes interesadas ven y, en última instancia, financian la investigación traslacional en neuroimagen”, dice Bingel. “Encontrar las limitaciones y trabajar juntos para superarlas es clave para desarrollar nuevas formas de diagnosticar y cuidar a los pacientes con trastornos cerebrales y de salud mental”.

Fuente:

Referencia de la revista:

Tervo-Clemmens, B., et al. (2023) Responder a: BWAS multivariante puede ser replicable con tamaños de muestra moderados. Naturaleza. doi.org/10.1038/s41586-023-05746-w.



Source link

Leave a Comment