Rozrušená funkční síť mozku v onemocnění závislosti na internetu: Studie funkční magnetické rezonance v klidu (2014)

Chong-Yaw Wee stejný přispěvatel, Zhimin Zhao stejný přispěvatel Pew-Thian Yap, Guorong Wu, Feng Shi, Skutečná cena, Yasong Du, Jianrong Xu, Yan Zhou mail, Pošta Dinggang Shen

Přidáno: Září 16, 2014

DOI: 10.1371 / journal.pone.0107306

Abstraktní

Porucha závislosti na internetu (IAD) je stále častěji považována za poruchu duševního zdraví, zejména mezi adolescenty. Patogeneze spojená s IAD však zůstává nejasná. V této studii se zaměřujeme na prozkoumání encefalických funkčních charakteristik adolescentů IAD v klidu pomocí funkčních obrazových dat magnetické rezonance. Přijali jsme graficko-teoretický přístup ke zkoumání možných narušení funkční konektivity z hlediska vlastností sítě, včetně maličkosti, účinnosti a uzlové centrality u adolescentů 17u se zdravými kontrolami IAD a 16. K vyhodnocení statistické významnosti topologických rozdílů na úrovni skupiny byly provedeny parametrické testy korigované na rychlost falešných objevů. Kromě toho byla provedena korelační analýza za účelem posouzení vztahů mezi funkční konektivitou a klinickými měřeními ve skupině IAD. Naše výsledky ukazují, že došlo k významnému narušení funkčního konektomu pacientů s IAD, zejména mezi regiony v čelních, týlních a parietálních lalocích. Postiženými spoji jsou spoje na dlouhé a meziměstské spoje. Přestože jsou pozorovány významné změny pro regionální metriky uzlů, neexistuje žádný rozdíl v topologii globální sítě mezi IAD a zdravými skupinami. Kromě toho korelační analýza prokazuje, že pozorované regionální abnormality jsou ve vzájemném vztahu s klinickým hodnocením závažnosti IAD a behaviorálním hodnocením. Naše nálezy, které jsou relativně konzistentní mezi anatomicky a funkčně definovanými atlasy, naznačují, že IAD způsobuje narušení funkční konektivity, a co je důležité, že taková narušení by mohla souviset s poruchami chování.

čísla

Citace: Wee CY, Zhao Z, Yap PT, Wu G, Shi F, et al. (2014) Porucha funkční mozkové sítě při poruchách závislosti na internetu: Studie zobrazování funkční magnetické rezonance v klidovém stavu. PLoS ONE 9 (9): e107306. doi: 10.1371 / journal.pone.0107306

Editor: Satoru Hayasaka, Wake Forest School of Medicine, Spojené státy americké

obdržel: Leden 20, 2014; Přijato: 11, 2014; Publikováno: Září 16, 2014

Copyright: © 2014 Wee a kol. Toto je článek s otevřeným přístupem distribuovaný podle podmínek Licence Creative Commons Attribution, který umožňuje neomezené použití, distribuci a reprodukci v jakémkoliv médiu za předpokladu, že původní autor a zdroj jsou připsány.

Financování: Tato práce byla částečně podpořena granty National Institutes of Health (NIH) EB006733, EB008374, EB009634, AG041721 a CA140413, stejně jako National Natural Science Foundation of China (81171325) a National Key Technology R&D Program 2007BAI17B03. Financující subjekty neměly žádnou roli v designu studií, sběru a analýze dat, rozhodnutí o publikování nebo přípravě rukopisu.

Konkurenční zájmy: Autoři prohlásili, že neexistují žádné konkurenční zájmy.

Úvod

Bylo hlášeno, že nadměrné používání internetu může vést ke změnám socio-behaviorálních charakteristik, které jsou podobné vlastnostem zjištěným u návykových látek a patologického hraní [1], [2]. S rostoucím počtem uživatelů internetu za poslední desetiletí byl tento problém stále více považován za závažný problém veřejného zdraví [3]. Závislosti na internetu a obecně závislé na počítači se zdají být rozšířeným jevem, který ovlivňuje miliony jednotlivců ve Spojených státech a v zahraničí, s nejvyšší mírou výskytu mezi adolescenty a vysokoškoláky v rozvojových regionech Asie [3]-[7]. Účinek nadměrné expozice na internetu během mladé dospělosti má zvláštní klinický a společenský význam, protože adolescence je období významných změn v neurobiologii související s rozhodováním [8] a tím vykazuje vyšší náchylnost k afektivním poruchám a závislosti [9]-[11]. Od klíčové práce Younga [2], závislost na internetu přitahuje významnou pozornost sociologů, psychologů, psychiatrů a pedagogů.

Klinické rysy behaviorálních problémů souvisejících s používáním internetu byly popsány podle různých diagnostických kritérií, včetně poruchy závislosti na internetu (IAD) [12], patologické používání internetu [13]a problematické používání internetu [14]. IAD byl klasifikován jako porucha kontroly impulzů, protože zahrnuje maladaptivní používání internetu bez jakéhokoli opojení, podobné patologickým hrám. IAD vykazuje podobné charakteristiky dalších závislostí, včetně rozvoje akademických, finančních a pracovních obtíží v důsledku návykového chování a problémů při rozvoji a udržování osobních a rodinných vztahů. Jednotlivci, kteří trpí IAD, stráví více času samoty, což zase ovlivňuje jejich normální sociální fungování. V nejhorších případech se u pacientů mohou vyskytnout fyzické nepohodlí nebo zdravotní problémy, jako je syndrom karpálního tunelu, suché oči, bolesti zad, silné bolesti hlavy, nepravidelnosti v jídle a narušený spánek. [15], [16]. Navíc jsou pacienti často rezistentní k léčbě IAD a mají vysokou míru recidivy [17], a mnoho z nich také trpí jinými závislostmi, jako je závislost na drogách, alkoholu, hazardu nebo sexu [18].

IAD zatím není v DSM-5 považována za závislost nebo duševní poruchu [19], existují rozsáhlé studie, převážně založené na psychologických dotaznících uváděných samostatně, které ukazují negativní důsledky v každodenním životě, pokud jde o složky chování, psychosociální faktory, zvládání symptomů, psychiatrickou komorbiditu, klinickou diagnózu a výsledek léčby. [6], [20]-[23]. Kromě těchto behaviorálních analýz byly nedávno použity neuroimagingové techniky, aby se prozkoumal vliv nadměrného nadměrného používání internetu na strukturální a funkční vlastnosti lidského mozku. [7], [24]-[29]. Zobrazování funkční magnetické rezonance v klidovém stavu (R-fMRI), efektivní in vivo nástroj pro zkoumání neuronálních aktivit mozku, byl dříve používán pro identifikaci možných narušení encefalických funkčních charakteristik v IAD [24], [26], [27], [30], v [27]Analýza regionální homogenity (ReHo), která měří konzistenci regionálních nízkofrekvenčních fluktuací (LFF) v mozkových sítích, odhalila zvýšenou synchronizaci mezi oblastmi mozku související s cestami odměňování u pacientů s IAD. Podobná studie jedinců s on-line herní závislostí (OGA) navrhla použít jako biomarker nemoci zvýšenou amplitudu LFF v levé mediální orbitofrontální kůře, která má anatomická spojení s několika regiony související s cíleným rozhodováním. [30]. Hong et al. použil síťovou statistiku (NBS) k analýze skupinových rozdílů v meziregionální funkční konektivitě mezi IAD a kontrolními skupinami a ve skupině IAD bylo pozorováno rozsáhlé snížení funkční konektivity, a to zejména bez globálního narušení celkové topologie sítě [26]. V jiné studii založené na funkční konektivitě byly zkoumány změny ve výchozí síťové konektivitě s použitím zadní cingulate cortex (PCC) jako zárodečné oblasti [24]. Výsledky ukázaly zvýšenou funkční konektivitu mezi dvoustranným lalokem zadního laloku a středním temporálním gyrem, jakož i sníženou konektivitu mezi dvoustranným dolním parietálním lalokem a pravým dolním temporálním gyrem.

V současné studii aplikujeme grafově teoretický přístup k analýze IAD na základě dat R-fMRI. Nejprve vyhodnotíme význam narušení funkční konektivity pomocí parametrické testy s vícenásobnou korekcí srovnání. To nám umožňuje plně prozkoumat plný vzor mozkových funkčních spojení a vzorce konektivity mezi rozsáhlými sítěmi [31]. Za druhé, zkoumáme možná narušení konektivity spojené s IAD z hlediska vlastnosti globální sítě, včetně vlastností malého světa (tj. klastrového koeficientu a charakteristické délky trasy) a efektivity sítě (tj. globální a místní účinnosti) v režimu malého světa. Za třetí, se stejným rozsahem sparsity sítě hodnotíme funkční význam sítě zohledněním vztahu regionu s celým funkčním konektomem [32] na základě centrálních opatření každé NI. Jsme motivováni k tomu, abychom použili centrální síť lépe lokalizovat narušené regiony na místní úrovni. Nakonec prozkoumáme vztahy mezi metrikami sítě a behaviorálním i klinickým skóre účastníků. Zkoumání spojení mezi vlastnostmi sítě a klinickým výsledkem zlepšuje naše znalosti o patologii závislostí a poskytuje zásadní vhled pro vývoj spolehlivějších diagnostických technik IAD.

Materiály a metody

Účastníci

Na této studii se podílelo třicet tři účastníků s pravou rukou, které tvořily adolescenti 17 s IAD (15 muži a 2 ženy) a 16 sexuální, věkové a vzdělání odpovídající zdravá kontrola (HC) (14 muži a 2 ženy). . Pacienti byli přijati z oddělení dětské a dospívající psychiatrie, Šanghajského centra duševního zdraví, Lékařské fakulty Univerzity Šanghaj Jiao Tong. Kontrolní subjekty byly rekrutovány z místní komunity pomocí reklam. Studie byla schválena Etickou komisí pro lékařský výzkum a Radou pro ústavní přezkum v Šanghajském středisku duševního zdraví v souladu s Helsinskou deklarací a od rodičů / zákonných zástupců každého účastníka byl získán plný písemný informovaný souhlas.

Trvání IAD bylo odhadnuto pomocí retrospektivní diagnózy. Všechny subjekty byly požádány, aby si vybavily svůj životní styl, když byly původně závislé na internetu. K ověření jejich závislosti na internetu byli pacienti znovu testováni podle upraveného Youngova diagnostického dotazníku (YDQ) pro kritéria závislosti na internetu, Beard and Wolf [33]a spolehlivost vlastního hlášení IAD byla potvrzena rozhovorem s rodiči. Pacienti IAD utratili alespoň - hodin denně na internetu nebo online hraní a - dní v týdnu. Ověřili jsme tyto informace od spolubydlících a spolužáků pacientů, že často trvali na tom, že budou pozdě v noci na internetu, a navzdory následkům narušili životy ostatních. Všimněte si, že všichni pacienti byli závislí na internetu nejméně nebo více než 2 roky. Podrobnosti upraveného YDQ pro kritéria závislosti na internetu jsou uvedeny v Soubor S1.

Po předchozím výzkumu IAD [34], pouze ti HC, kteří strávili méně než 2 hodin (strávená hodina = ) za den na internetu byly zahrnuty do aktuální studie. Skupina HC utratila dní v týdnu na internetu. HC byly také testovány s upravenými kritérii YDQ, aby bylo zajištěno, že netrpí IAD. Všichni přijatí účastníci byli rodilí čínští mluvčí a nikdy neužívali nelegální látky. Všimněte si, že upravený YDQ byl přeložen do čínštiny pro pohodlí účastníků. K dalšímu ospravedlnění výsledků diagnostiky bylo použito další diagnostické opatření IAD, Young's Internet Addiction Scale (YIAS). [35], byl proveden pro každého účastníka. YIAS je dotazník pro položky 20, který vytvořila Dr. Kimberly Youngová k posouzení míry závislosti na internetu. Rozděluje uživatele internetu do tří stupňů závažnosti na základě bodového schématu 100: mírný online uživatel ( body), umírněný online uživatel ( body) a vážný online uživatel ( body).

Kromě diagnostiky IAD prostřednictvím modifikovaných YDQ a YIAS byly behaviorální stavy pacientů s IAD hodnoceny také pomocí několika dotazníků týkajících se chování: Barrattova škála impulsivity-11 (BIS-11) [36], Dispoziční stupnice řízení času (TMDS) [37]Dotazník o silných a obtížných stránkách (SDQ) [38]a McMaster Family Assessment Device (FAD) [39]. Ve studii byly použity jak dětská, tak rodičovská verze SDQ. Podrobnosti o těchto dotaznících jsou uvedeny v Soubor S1.

Před pohovorem o anamnéze se všichni účastníci podrobili jednoduchému fyzickému vyšetření (testy krevního tlaku a srdečního rytmu) s cílem vyloučit fyzické poruchy související s pohybem, zažívacím, nervovým, dýchacím, oběhem, endokrinním, močovým a reprodukčním systémem. Vylučovací kritéria zahrnovala: 1) anamnézu komorbidních psychiatrických a nea psychiatrických poruch, jako je úzkostná porucha, deprese, kompulzivita, schizofrenie, autismus nebo bipolární porucha; 2) historie zneužívání návykových látek nebo závislosti; 3) anamnéza fyzických poruch souvisejících s pohybovým, trávicím, nervovým, dýchacím, oběhem, endokrinním, močovým a reprodukčním systémem; a 4) těhotenství nebo menstruace u žen během dne skenování. Tento vylučovací postup je důležitý, aby se zajistilo, že účastníci této studie nejsou ovlivněni jinými fyzickými, neurologickými nebo neuropsychiatrickými poruchami, a tudíž snižuje možné zkreslení získaných poznatků. Podrobné demografické informace a klinické skóre jsou uvedeny v Tabulka 1.

thumbnail

Tabulka 1. Demografické informace o účastnících této studie.

dva: 10.1371 / journal.pone.0107306.t001

Sběr a předzpracování dat

Sběr dat byl proveden pomocí skeneru 3.0 Tesla (Philips Achieva). Funkční obrazy klidového stavu každého účastníka byly získány s časem echo (TE) = 30 ms a opakovacím časem (TR) = 2000 ms. Akviziční matice byla 64 × 64 s obdélníkovým FOV 230 × 230 mm2a rozlišení voxelů 3.59 × 3.59 × 4 mm3. Test zahrnoval svazky 220 pro každého účastníka. Během sběru dat byli účastníci požádáni, aby tiše leželi ve skeneru se zavřenýma očima. Ačkoli nebyla použita žádná další technika nebo zařízení k měření toho, zda subjekty skutečně udržovaly oči zavřené, subjekty potvrdily, že si byly vědomy a během skenování udržovaly zavřené oči.

Předběžné zpracování dat bylo provedeno za použití standardního potrubí ve dvou nástrojích pro zpracování R-fMRI, DPARSF [40] a odpočívat [41]. Před jakýmkoli předběžným zpracováním byly první objemy 10 R-fMRI každého subjektu vyřazeny, aby se dosáhlo magnetizační rovnováhy. Objemy R-fMRI byly normalizovány do prostoru MNI s rozlišením 3 × 3 × 3 mm3. Byla provedena regrese rušivých signálů včetně komor, bílé hmoty a globálních signálů. Žádný z účastníků nebyl vyloučen na základě kritéria posunu o více než 3 mm nebo úhlové rotace větší než 3 v jakémkoli směru. Abychom dále minimalizovali účinky pohybu hlavy, použili jsme korekci parametrů Friston 24 a střední posunutí rámečku (FD) specifické pro voxel. [42] s prahem FD 0.5. Před odhadem funkční konektivity byla průměrná časová řada R-fMRI každé ROI filtrována pásmovým průchodem ( Hz).

Analýza sítě a analýza individuálních připojení

V této studii byla přijata grafická teoretická analýza pro zkoumání funkčních změn mozkového konektomu způsobeného IAD mezi skupinou čínských adolescentů. Funkční mozkové sítě byly konstruovány na úrovni makrozásobníku, kde uzly představují předdefinované oblasti mozku a hrany představují meziregionální funkční konektivitu v klidovém stavu (RSFC). Pro definování síťových uzlů jsme parcellovali mozek zájmové oblasti (ROI) deformováním fMRI obrázků do atlasu automatizovaného anatomického označování (AAL) [43]. Regiony založené na atlasu AAL jsou uvedeny v tabulce S1 v Soubor S1. Reprezentativní časové řady každé ROI byly poté získány zprůměrováním regresní časové řady pro všechny voxely v každé jednotlivé ROI. Pro měření meziregionální RSFC jsme vypočítali párovou Pearsonovu korelaci pro všechny možné () = 4005) ROI páruje a konstruuje symetrickou matici připojení, která bude reprezentovat tato spojení. Analyzovali jsme rozdíly na úrovni skupin mezi každou dvojicí oblastí zájmu z hlediska síly připojení. Významné rozdíly pro každé funkční spojení byly vyhodnoceny pomocí hmotnostního univariatu (dvoustranného) - zkoušky s prahem a korekce rychlosti falešného objevu (FDR).

Analýza síťových metrik a charakteristik

Pearsonova korelační matice funkční konektivity založená na korelaci je hustě spojená s mnoha rušivými prvky s nízkou pevností. Aby bylo možné lépe modelovat sítě lidského mozku, které vykazují vlastnosti malého světa, byla dále zpracována matice funkční konektivity každého jednotlivce tak, aby měla rozpětí řídkostí spadající do režimu malého světa () [44]-[48]. Tento režim zajišťuje relativně konzistentní charakteristiky malého světa pro mozkové sítě ROI 90 [44]. Konkrétně byla Pearsonova korelační matice každého subjektu převedena na binarizované sousedící matice, , podle předdefinované řídkosti, kde všechny jsou původně nastaveny na jeden a pak prvky odpovídající nejnižší korelační hodnotě jsou opakovaně nastaveny na nulu, dokud není dosaženo určité úrovně sparity. Na základě těchto sítí jsme použili metriky globální i regionální sítě k analýze celkové architektury a regionální uzlové centrálnosti mozkových sítí pro srovnání na úrovni skupiny. Mezi použité globální metriky patřily parametry malého světa, jmenovitě koeficient shlukování () a charakteristická délka cesty () [49], [50], jakož i účinnost globální sítě () a účinnost místní sítě (). Kromě toho jsme vypočítali normalizované verze těchto opatření pomocí náhodných sítí (, a ) zajistit malý stav vytvořených mozkových sítí. Síť definujeme jako malý svět, pokud splňuje následující tři kritéria: , a poměr malých světů, . Tři metriky uzlových centrálností - stupeň (), účinnost () a mezi () - pro každou oblast mozku byly vypočteny pro zkoumání místních charakteristik funkční sítě [44], [46].

Abychom mohli statisticky prozkoumat rozdíly mezi skupinami, provedli jsme dvoustranný dvou-vzorek - zkoušky s prahem (Opraveno FDR) na každé metrice sítě (globální a regionální) na základě plochy pod křivkou (AUC) každé metriky sítě vytvořené z režimu malého světa [48]. AUC poskytuje shrnutí topologických charakteristik mozkových sítí v celém režimu malého světa, namísto toho, aby se topologie brala v úvahu pouze na jediném prahu sparity [44], [51]. Konkrétně jsme pro každou metriku sítě nejprve vypočítali hodnotu AUC každého jednotlivého subjektu napříč sítěmi s různými úrovněmi sparity a poté jsme provedli dva vzorky - testy statisticky kvantifikují jakýkoli rozdíl na úrovni skupiny mezi IAD a zdravými skupinami. Je pozoruhodné, že před statistickými testy jsme použili více lineárních regresí k odstranění účinků věku, pohlaví a vzdělání, jakož i jejich interakcí [31], [52]-[54].

Spolehlivost a opakovatelnost pomocí funkčního atlasu

V této studii byly funkční konektivitní sítě vybudovány na regionální úrovni parcelací celého mozku do 90 ROI na základě atlasu AAL. Bylo však také hlášeno, že mozkové sítě odvozené z různých schémat parcellace nebo pomocí různých prostorových měřítek mohou vykazovat odlišné topologické architektury [55]-[57]. Abychom vyhodnotili spolehlivost a opakovatelnost našich výsledků, opakovali jsme experimenty s využitím Dosenbachova funkčního atlasu [58], který rozděluje lidský mozek na 160 ROI, včetně mozečku. V tomto atlasu je každá ROI definována jako čtverec o průměru 10 mm obklopující vybraný bod osiva a vzdálenost mezi všemi centry ROI je alespoň 10 mm bez prostorového překrývání, což znamená, že některé oblasti mozku nejsou pokryty sadou ROI.

Vztahy mezi metrikami sítě a behaviorálními výsledky

Pro ty regiony (založené na atlasu AAL), které vykazují významné rozdíly na úrovni skupiny v regionální uzlové centrálnosti, jsme použili Pearsonovu korelaci párově (, FDR opraveno) k analýze vztahů mezi vlastnostmi sítě každého regionu a skóre chování jednotlivce. Konkrétně v korelační analýze byly metriky sítě považovány za závislé proměnné, zatímco skóre chování, tj. BIS-11, TMDS, SDQ a FAD, byly považovány za nezávislé proměnné. Abychom dále porozuměli vztahu mezi postiženými oblastmi mozku a závažností onemocnění, vypočítali jsme také Pearsonův korelační koeficient mezi rysy sítě a skóre YIAS.

výsledky

Demografické a klinické charakteristiky

Neexistuje žádný významný rozdíl, pokud jde o věk, pohlaví a roky vzdělání (všechny s ) mezi skupinami IAD a HC. Existují však významné rozdíly v používání internetu, pokud jde o dny v týdnu () a hodin denně (). Přestože neexistuje žádný významný rozdíl mezi skupinami pro skóre BIS-11 a TMDS (všechny s ), SDQ-P (), SDQ-C () a FAD () skóre je ve skupině IAD výrazně vyšší, jak ukazuje Tabulka 1 a Obrázek 1. Zejména YIAS (), klinické měřítko použité pro klasifikaci IAD, ukazuje nejvýznamnější rozdíl na úrovni skupiny.

thumbnail

Obrázek 1. Rozdíly mezi skupinami, pokud jde o klinická a behaviorální opatření.

(YIAS = Young's Internet Addiction Scale, BIS-11 = Barratt Impulsiveness Scale-11, TMDS = Time Management Disposition Scale, SDQ-P = Strengths and Difficulties Questionnaire parent version, SDQ-C = Strengths and Difficulties Dotazník pro děti, FAD = McMaster Family Assessment Device).

dva: 10.1371 / journal.pone.0107306.g001

Individuální funkční připojení

Ve srovnání se skupinou HC došlo po korekci FDR k významné změně pouze u tří funkčních spojení. Dvě mez hemisférická spojení, jedna mezi levým úhlovým gyrem (parietální lalok) a pravým středním orbitofrontálním kortexem (frontální lalok) a druhá mezi levým fusiformním gyrusem (okcipitální lalok), vykazují zvýšenou konektivitu v Pacienti s IAD. Jedno intrahemisférické spojení mezi pravým caudátem (subkortikální kůra) a pravým supramarginálním gyrem (parietální lalok) ukazuje sníženou konektivitu ve skupině onemocnění. Tato významně změněná funkční spojení jsou znázorněna na obrázku Obrázek 2. Spojení červená a modrá barva označují zvýšené a snížené funkční konektivity ve skupině IAD. Všimněte si, že většina ovlivněných funkčních spojení zahrnuje regiony umístěné na pravé polokouli a parietálním laloku.

thumbnail

Obrázek 2. Významně změněné funkční spojení u pacientů s IAD (FDR opraveno).

Červená: zvýšená funkční konektivita, Modrá: snížená funkční konektivita. (FRO: Frontal, INS: Insula, TEM: Temporal, PAR: Parietal, OCC: Occipital, LIM: Limbic, SBC: Subkortical). Tato vizualizace je vytvořena pomocí balíčku BrainNet Viewer (http://www.nitrc.org/projects/bnv) a Circos (http://circos.ca/).

dva: 10.1371 / journal.pone.0107306.g002

Globální charakteristika funkčních sítí

Zkoumali jsme topologické vlastnosti vnitřních funkčních mozkových sítí porovnáním jejich chování v malém světě s porovnatelnými náhodnými sítěmi na více úrovních sparity sítě, . Zkoumali jsme zejména parametry malého světa (např. Koeficient shlukování, charakteristickou délku cesty a poměr malého světa, ), jakož i globální a místní efektivitu. Náhodné sítě použité ve studii zachovaly počet uzlů a hran, stejně jako stupeň distribuce skutečných mozkových sítí, které jsou předmětem zájmu, technikou opětovného zapojení popsanou v [59]. Statistické analýzy pomocí dvou vzorků -testy ((Opraveno FDR) na hodnotách AUC v režimu malého světa neprokázalo žádný významný rozdíl mezi skupinami IAD a HC, pokud jde o vlastnosti globální sítě.

Regionální uzlové charakteristiky funkčních sítí

Přes společnou topologii malého světa byly v regionální uzlové centrálnosti pozorovány významné rozdíly na úrovni skupiny. V této studii považujeme oblast mozku za významně změněnou ve skupině IAD, pokud má alespoň jedna ze tří regionálních uzlových metrik - hodnota menší než 0.05 (korigovaná FDR) na základě jeho hodnot AUC. Tabulka 2 shrnuje oblasti, které jsou významně změněny u pacientů s IAD. Ve srovnání se skupinou HC vykazovali pacienti s IAD změny uzlové centrálnosti převážně umístěné v levém dolním parietálním lobule (IPL), levém thalamu (THA) a dalších oblastech, jako je limbický systém, konkrétně pravý přední cingulační gyrus (ACG) a pravý gyrus střední cingulate (MCG). Zejména jsou IPL a ACG součástí sítě výchozího režimu (DMN), která byla dříve spojena se změnou konektivity v závislosti na látkách [60]-[62].

thumbnail

Tabulka 2. Regiony vykazující abnormální uzlové centrálnosti u pacientů s IAD ve srovnání se zdravými kontrolami (HC) na základě atlasu AAL.

dva: 10.1371 / journal.pone.0107306.t002

Spolehlivost a opakovatelnost pomocí funkčního atlasu

Když se k definici návratnosti investic použije Dosenbachův atlas, jsou pozorovány významné skupinové rozdíly hlavně ve frontálním a temenním spojení s mozečkem. Tato zjištění jsou shrnuta v Tabulka 3. Ačkoli se tato spojení liší od spojení identifikovaných na základě atlasu AAL, většina přerušených spojení zahrnuje stejné laloky mozku, s výjimkou oblastí mozečku. Pokud jde o metriky globální sítě, nezjistili jsme žádný rozdíl mezi skupinami IAD a HC, podobně jako výsledky založené na atlasu AAL. U metrik lokální sítě jsme zjistili, že některé z identifikovaných regionů jsou umístěny prostorově blízko oblastí identifikovaných na atlasu AAL, jako jsou ACG a THA, jak je uvedeno v Tabulka 4.

thumbnail

Tabulka 3. Funkční spojení u jedinců IAD, u kterých došlo k významným změnám na základě atolu Dosenbach.

dva: 10.1371 / journal.pone.0107306.t003

thumbnail

Tabulka 4. Regiony vykazující abnormální nodální centrality u pacientů s IAD ve srovnání se zdravými kontrolami (HC) na základě Dosenbachova atlasu.

dva: 10.1371 / journal.pone.0107306.t004

Vztahy mezi metrikami sítě a měřením chování

Neexistuje žádný významný (, Opraveno FDR) korelace mezi metrikami globální sítě (, , , a ) a behaviorální a klinické skóre. Regionální uzlové metriky několika regionů jsou však významně ((Opraveno FDR) korelovalo s behaviorálním a klinickým skóre. Správný ACG pozitivně koreluje se skóre YIAS. Správný MCG pozitivně koreluje se skóre YIAS. Levá THA je pozitivně korelována se skóre YIAS a SDQ-P. Levá IPL však významně nekoreluje s žádným behaviorálním nebo klinickým skóre. Oblasti mozku, které jsou významně korelovány s behaviorálním a klinickým skóre, jsou ukázány v Obrázek 3.

thumbnail

Obrázek 3. Oblasti mozku, které jsou významně korelovány s behaviorálním a klinickým skóre ve skupině IAD (korigovány FDR).

Tato ilustrace byla vytvořena pomocí balíčku BrainNet Viewer (http://www.nitrc.org/projects/bnv). (YIAS = Young's Internet Addiction Score, BIS-11 = Barratt Impulsiveness Scale-11, TMDS = Time Management Disposition Scale, SDQ-P = Strengths and Difficulties Questionnaire parent version, SDQ-C = Strengths and Difficulties Childna version.).

dva: 10.1371 / journal.pone.0107306.g003

Diskuse

Změny individuální funkční konektivity

Vhled do mechanismu vývoje lidského mozku je důležitý pro lepší pochopení patologických základů poruch postihujících děti a dospívající, což vede k možné včasné léčbě. Na základě teoretické analýzy grafů dat R-fMRI bylo navrženo, že funkční organizace lidského mozku dospívá a vyvíjí se od dětství přes dospívání až po dospělost sledováním jedinečného trendu - větší funkční segregace u dětí a větší funkční integrace u dospělých na úroveň celého mozku [63]-[66]. Zejména organizace funkčních mozkových sítí přechází od lokálního připojení k více distribuované architektuře s rozvojem [63], [66], kde mají dospělí tendenci mít slabší funkční konektivitu na krátkou vzdálenost a silnější dálkovou funkční konektivitu než děti [65].

Naše zjištění ukazují, že přerušovaná spojení pozorovaná v IAD, i když jen několik po korekci FDR, jsou dálková a interhemisférická funkční spojení, která jsou důležitá pro komunikaci na dálku v lidském mozku. Narušení dálkových a mez hemisférických spojení je běžným příznakem mnoha abnormalit chování, včetně autismu [67]-[70], schizofrenie [71], závislost na opioidech [72], [73]a závislost na kokainu [74]. Zhoršení spojení na velké vzdálenosti lze považovat za selhání integračního procesu v distribuované funkční síti lidského mozku [63], [64], [75], odchylka od normální trajektorie neurodevelopmentu. Proto spekulujeme, že abnormální vývoj dálkové a mez hemisférické konektivity u adolescentů IAD pozorovaných v této studii je jedním z možných důvodů jejich návykového chování.

Změny ve vlastnostech globální sítě

Lidský mozek je považován za složitý a velký vzájemně propojený dynamický systém s různými důležitými topologickými vlastnostmi, jako je malá světlost, vysoká účinnost při nízkých nákladech na kabeláž a vysoce propojené rozbočovače [46], [76]-[79]. V síti malého světa jsou uzly lokálně seskupeny ve prospěch modulárního zpracování informací a jsou vzdáleně připojeny prostřednictvím malého počtu dálkových spojení pro efektivní celkové směrování. [50]. Jak skupiny IAD, tak HC vykazovaly vlastnosti malého světa, tj. Vysoké shlukové koeficienty () a podobné charakteristické délky cest () ve srovnání se srovnatelnými náhodnými sítěmi. Avšak pozorovali jsme stále větší normalizované shlukové koeficienty a podobné normalizované charakteristické délky cesty ve skupině IAD ve srovnání se skupinou HC nad hustotou připojení, v souladu s předchozími studiemi R-fMRI [26]. Větší shlukovací koeficient odráží narušenou neuronální integraci mezi vzdálenými regiony, které vykazují relativně řídké, vzdálené a relativně husté, krátké funkční vzdálenosti ve skupinách IAD a HC. Progresi klinických stadií, od mírných po těžké, může způsobit větší poškození nebo odpojení dálkových spojení, a tak případně podpořit vytvoření krátkých vzdáleností v rámci klastru jako alternativní cesty k zachování přenosu informací mezi dvěma vzdálenými regiony. Vytvoření spojení na krátké vzdálenosti však může zavést abnormální shluky, které zvyšují riziko generování nekontrolovaného nebo náhodného toku informací v celé síti. Na druhé straně všechny mozkové sítě prokázaly podobné paralelní zpracování informací o globální a místní efektivnosti ve srovnání s porovnatelnou náhodnou sítí [80]. Tato zjištění podporují koncept modelu malého mozku lidského mozku, který poskytuje vyváženou kombinaci místní specializace a globální integrace [81]. Naše pozorování žádného významného rozdílu mezi skupinami IAD a HC, pokud jde o vlastnosti globální sítě, může znamenat, že změny funkční struktury sítě v IAD jsou jemné. V důsledku toho by další výzkum regionálních specifických biomarkerů IAD mohl odhalit významné informace o patologii choroby a závislosti obecně.

Regionální uzlové charakteristiky funkčních sítí

Změny uzlové centrálnosti související s IAD se vyskytují hlavně v komponentách limbického systému, včetně ACG a MCG, IPL a THA. Poruchy těchto regionů a jejich související spojovací cesty lze interpretovat tak, aby odrážely sníženou efektivitu zpracování informací, případně odrážející funkční poruchy v IAD.

Cingulate gyrus (CG), nedílná součást limbického systému, se podílí na tvorbě a zpracování emocí, učení a paměti, výkonné funkci a respirační kontrole [82]. Přijímá vstupy z THA a neokortexu a promítá do entorhinální kůry přes cingulum. Tato cesta se zaměřuje na emocionálně významné události a reguluje agresivní chování [29]. Narušení funkcí souvisejících s CG by mohlo narušit schopnost jednotlivce sledovat a kontrolovat jeho chování, zejména chování související s emocemi [83]. Většina analýz závislosti na návykových látkách a chování prokázala významné změny v přední a zadní části CG (ACG a PCG), včetně závislosti na alkoholu [84], patologické hazardní hry [85], a IAD [27], [29]. U uživatelů kokainu byly také hlášeny podobné další změny v MCG [86]. V předchozích studiích fMRI bylo také prokázáno, že přední, střední a zadní CG jsou ovlivněny odměnami a podmínkami trestu [87]. Vzhledem k úloze MCG při zpracování pozitivních a negativních emocí není překvapivé, že region vykazuje významné narušení konektivity u pacientů s IAD.

THA je ústředna mozkových informací a podílí se na mnoha mozkových funkcích včetně zpracování odměn [88], chování zaměřené na cíl a kognitivní a motorické funkce [89]. Přenáší smyslové a motorické signály ze subkortikálních oblastí do mozkové kůry [90]. Prostřednictvím THA orbitofrontální kůra přijímá přímé a nepřímé projekce z jiných limbických mozkových oblastí, které se podílejí na posilování léků, jako je amygdala, CG a hippocampus. [91], kontrolovat a opravovat chování související s odměnami a tresty [92]. Abnormální thalamo-kortikální obvody nalezené u závislých online her [93] může naznačovat poškození funkce THA související s chronickými vzory špatné kvality spánku [94] a drtivá pozornost se zaměřuje na počítač. THA je navíc funkčně spojena s hippocampem [95] jako součást rozšířeného hippocampálního systému, který je rozhodující pro kognitivní funkce, jako je prostorová navigace a konsolidace informací z krátkodobé paměti do dlouhodobé paměti [96], [97].

V IPL jsme pozorovali významné změny uzlových centrálností v souladu s výsledky uvedenými v nedávných studiích IAD založených na R-fMRI [24], [93]. Podobně jako THA je IPL masivně propojen se sluchovými, zrakovými a somatosenzorickými kůry a je schopen zpracovávat různé druhy podnětů současně. Jako jedna z posledních rozvinutých struktur lidského mozku v průběhu vývoje může být IPL zranitelnější vůči nadměrné expozici zvukových a vizuálních podnětů, zejména během dětství. Poškození IPL vyvolané nadměrným používáním internetu může potlačit schopnost jednotlivce správně zprostředkovat inhibici odezvy regulace impulsu [98], [99], poškozují jejich schopnost odolávat cue-indukovaným internetovým chtíčům, což může dále zhoršit IPL. Takové kruhové vzorce jsou často viděny u závislých na látkách a chování.

Regiony DMN jsou obvykle aktivnější v klidu než plnění úkolů zaměřených na cíl [62]. Tyto regiony, o kterých je známo, že jsou zapojeny do emoční modulace a samoreferenčních aktivit, včetně hodnocení významu vnitřních a vnějších podnětů, zapamatování minulosti a plánování budoucnosti [60], [62], což jsou důležitá kritéria v diagnostice IAD. Dříve bylo navrženo, že změněná konektivita zahrnující oblasti DMN přispívá k různým symptomatickým chováním u nemocí [100], včetně návykových látek [101], [102] a behaviorálních závislostí [24], [103]. Naše zjištění o změně funkční konektivity zahrnující několik oblastí DMN je částečně v souladu s předchozími pozorováními, což naznačuje, že DMN má potenciál sloužit jako biomarker pro identifikaci pacientů s IAD.

Spolehlivost a opakovatelnost pomocí funkčního atlasu

Některé z abnormálních mozkových oblastí identifikovaných na základě atlasu AAL byly také identifikovány pomocí funkčního atlasu, což podporuje spolehlivost a opakovatelnost našich výsledků. Jedním z možných důvodů mírně odlišných výsledků je režim použité v této studii. Charakteristiky malých světových konektivit vytvořených na základě AAL atlasu 90 ROI jsou v tomto rozsahu nejkonzistentnější [44]. Tento rozptyl však nemusí být optimální pro atlasy s různým počtem návratností investic. Navíc jsou ROI získané z atolu Dosenbach definovány funkčně a nepokrývají celý mozek [58]. V tomto atlasu jsou nejprve identifikována centra všech 160 ROI a z každého centra je pěstována koule s poloměrem 5 mm, čímž vzniká sférická ROI 10 mm. Střed každé oblasti zájmu je také nastaven tak, aby byl alespoň 10 mm od středů jiných oblastí zájmu, což vede k prostorově nepřekrývajícímu se atlasu. Na druhé straně atlas AAL pokrývá tkáň šedé hmoty celého mozku. Tyto rozdíly v definici návratnosti investic a celkové pokryté oblasti mohou přispět ke změnám výsledků. Z tohoto důvodu je nezbytný další výzkum s použitím větší kohorty, aby se určilo, do jaké míry má výběr schématu parcellace mozku vliv na charakterizaci topologie sítě.

Korelace mezi metrikami sítě a měřením chování

V této studii jsme nepozorovali žádnou korelaci mezi metrikami globální sítě a měřením chování, což naznačuje, že v topologii celé mozkové sítě neexistují změny. Toto zjištění může také naznačovat, že variace mozkové sítě jsou jemné kvůli plasticitě lidského mozku (neuroplasticita) [104], [105] při obnovování většiny svých denních funkcí pomocí alternativních drah (nervové obvody). Plastičnost mozku zahrnuje reorganizaci spojení mezi nervovými buňkami nebo neurony a může být ovlivněna množstvím faktorů [106]-[108]. Stává se to ve věku souvisejícím s větším výskytem v dětství a adolescenci než v dospělosti, což naznačuje lepší zotavení narušených neuronálních spojení u dospívajících s IAD. Dále bylo prokázáno, že různé behaviorální stavy, od závislosti na neurologických a psychiatrických poruchách, korelují s lokalizovanými změnami nervových obvodů. [106]. Není proto překvapivé, že měření globální sítě hrubé úrovně, jako je střední shlukovací koeficient, charakteristická délka cesty a účinnost sítě, jsou při detekci změn obvodů mozku ve skupině IAD méně citlivé.

Regionální uzlové metriky několika oblastí mozku však korelují s některými behaviorálními opatřeními. Zejména rodičovská verze SDQ (SDQ-P), která měří jak schopnost jednotlivce vhodně zvládnout impulsivitu, tak závažnost problémů s emocemi a prosociálním chováním na základě informací poskytnutých rodiči studovaných adolescentů, je pozitivně pozitivní korelovala s funkčně postiženými oblastmi mozku nalezenými v IAD. Neschopnost ovládat impulzivní chování a emoce je jedním z hlavních symptomů chování. Je běžné, že si pacienti neuvědomují změny svých emocí a chování, i když tyto změny jsou pro lidi, kteří je obklopují, relativně zřejmé. To může být hlavním důvodem, proč žádná síťová opatření nesouvisí s dětskou verzí SDQ (SDQ-C) kvůli své povaze sebehodnocení. Na druhé straně neexistuje žádná významná korelace mezi opatřeními regionální sítě a jinými opatřeními chování, včetně BIS-11, FAD a TMDS. Toto zjištění je podporováno velkým - hodnoty pro tato opatření mezi IAD a zdravými skupinami (Tabulka 1). Tato zjištění mohou naznačovat, že některá z těchto behaviorálních opatření jsou užitečná pro stanovení postižených oblastí, a proto pomáhají diagnostikovat IAD, ačkoli je stále zapotřebí značné množství práce, aby se lépe porozumělo úloze těchto opatření v závislosti na chování nebo poruchách chování.

Metodické otázky / omezení

V této studii by mělo být zdůrazněno několik omezení. Zaprvé, diagnóza IAD byla hlavně založena na výsledcích z dotazníků, které hlásili sami, což by mohlo ovlivnit spolehlivost diagnostik. V budoucnu musí být vyvinuty standardizované diagnostické nástroje pro identifikaci IAD, aby se zvýšila spolehlivost a platnost diagnostikování IAD. Za druhé, naše studie je omezena malou velikostí vzorku a nerovnováhou pohlaví účastníků (muži 31 a 4), což by mohlo snížit statistickou sílu a zobecnění nálezů, i když tyto faktory byly analyzovány v analýze. Vliv pohlaví na prevalenci IAD je stále diskutovaným tématem. Na základě zjištění Younga [35], vysoký počet žen vykazuje závislost na internetu. Naproti tomu jedna nedávná studie uvádí, že muži vykazují vyšší riziko chování IAD [109]. Bylo však také hlášeno, že neexistuje žádný vztah mezi pohlavím a IAD [110], [111]. Budoucí experimenty používající větší kohortu s vyváženějším poměrem pohlaví jsou vyžadovány pro lepší posouzení vztahu mezi pohlavím a vnímavostí IAD.

Podpůrné informace

Soubor S1.

Doplňkové materiály.

dva: 10.1371 / journal.pone.0107306.s001

(PDF)

Poděkování

Tato práce byla částečně podpořena granty National Institutes of Health (NIH) EB006733, EB008374, EB009634, AG041721 a CA140413, stejně jako National Natural Science Foundation of China (81171325) a National Key Technology R&D Program 2007BAI17B03.

Autorské příspěvky

Koncipované a navržené experimenty: CYW ZZ PTY GW FS TP YD JX YZ DS. Provedené experimenty: CYW ZZ YD JX YZ DS. Analyzovaná data: CYW PTY DS. Přidaná činidla / materiály / nástroje pro analýzu: ZZ YD JX YZ. Napsal článek: CYW PTY TP DS.

Reference

  1. 1. Ng BD, Wiemer-Hastings P (2005) Závislost na internetu a online hraní. Cyberpsychol Behav 8: 110 – 113. doi: 10.1089 / cpb.2005.8.110
  2. 2. Young KS (1998) Závislost na internetu: Vznik nové klinické poruchy. Cyberpsychol Behav 1: 237 – 244. doi: 10.1089 / cpb.1998.1.237
  3. Zobrazit článek
  4. PubMed / NCBI
  5. Google Scholar
  6. Zobrazit článek
  7. PubMed / NCBI
  8. Google Scholar
  9. Zobrazit článek
  10. PubMed / NCBI
  11. Google Scholar
  12. Zobrazit článek
  13. PubMed / NCBI
  14. Google Scholar
  15. Zobrazit článek
  16. PubMed / NCBI
  17. Google Scholar
  18. Zobrazit článek
  19. PubMed / NCBI
  20. Google Scholar
  21. Zobrazit článek
  22. PubMed / NCBI
  23. Google Scholar
  24. Zobrazit článek
  25. PubMed / NCBI
  26. Google Scholar
  27. Zobrazit článek
  28. PubMed / NCBI
  29. Google Scholar
  30. Zobrazit článek
  31. PubMed / NCBI
  32. Google Scholar
  33. Zobrazit článek
  34. PubMed / NCBI
  35. Google Scholar
  36. Zobrazit článek
  37. PubMed / NCBI
  38. Google Scholar
  39. Zobrazit článek
  40. PubMed / NCBI
  41. Google Scholar
  42. Zobrazit článek
  43. PubMed / NCBI
  44. Google Scholar
  45. 3. Ko CH, Yen JY, Yen CF, Chen CS, Chen CC (2012) Asociace mezi závislostí na internetu a psychiatrickou poruchou: přehled literatury. Eur Psychiatrie 27: 1 – 8. doi: 10.1016 / j.eurpsy.2010.04.011
  46. Zobrazit článek
  47. PubMed / NCBI
  48. Google Scholar
  49. Zobrazit článek
  50. PubMed / NCBI
  51. Google Scholar
  52. Zobrazit článek
  53. PubMed / NCBI
  54. Google Scholar
  55. Zobrazit článek
  56. PubMed / NCBI
  57. Google Scholar
  58. Zobrazit článek
  59. PubMed / NCBI
  60. Google Scholar
  61. Zobrazit článek
  62. PubMed / NCBI
  63. Google Scholar
  64. Zobrazit článek
  65. PubMed / NCBI
  66. Google Scholar
  67. Zobrazit článek
  68. PubMed / NCBI
  69. Google Scholar
  70. Zobrazit článek
  71. PubMed / NCBI
  72. Google Scholar
  73. Zobrazit článek
  74. PubMed / NCBI
  75. Google Scholar
  76. 4. Blok J (2006) Prevalence byla v problematické studii používání internetu podceňována. CNS Spectr 12: 14 – 15.
  77. Zobrazit článek
  78. PubMed / NCBI
  79. Google Scholar
  80. Zobrazit článek
  81. PubMed / NCBI
  82. Google Scholar
  83. Zobrazit článek
  84. PubMed / NCBI
  85. Google Scholar
  86. Zobrazit článek
  87. PubMed / NCBI
  88. Google Scholar
  89. 5. Fitzpatrick JJ (2008) Závislost na internetu: Rozpoznávání a intervence. Arch Neurol 22: 59 – 60. doi: 10.1016 / j.apnu.2007.12.001
  90. Zobrazit článek
  91. PubMed / NCBI
  92. Google Scholar
  93. Zobrazit článek
  94. PubMed / NCBI
  95. Google Scholar
  96. 6. Cao F, Su L, Liu T, Gao X (2007) Vztah impulsivity a závislosti na internetu ve vzorku čínských dospívajících. Eur Psychiatrie 22: 466 – 471. doi: 10.1016 / j.eurpsy.2007.05.004
  97. Zobrazit článek
  98. PubMed / NCBI
  99. Google Scholar
  100. Zobrazit článek
  101. PubMed / NCBI
  102. Google Scholar
  103. Zobrazit článek
  104. PubMed / NCBI
  105. Google Scholar
  106. Zobrazit článek
  107. PubMed / NCBI
  108. Google Scholar
  109. Zobrazit článek
  110. PubMed / NCBI
  111. Google Scholar
  112. Zobrazit článek
  113. PubMed / NCBI
  114. Google Scholar
  115. Zobrazit článek
  116. PubMed / NCBI
  117. Google Scholar
  118. Zobrazit článek
  119. PubMed / NCBI
  120. Google Scholar
  121. Zobrazit článek
  122. PubMed / NCBI
  123. Google Scholar
  124. Zobrazit článek
  125. PubMed / NCBI
  126. Google Scholar
  127. Zobrazit článek
  128. PubMed / NCBI
  129. Google Scholar
  130. Zobrazit článek
  131. PubMed / NCBI
  132. Google Scholar
  133. Zobrazit článek
  134. PubMed / NCBI
  135. Google Scholar
  136. Zobrazit článek
  137. PubMed / NCBI
  138. Google Scholar
  139. Zobrazit článek
  140. PubMed / NCBI
  141. Google Scholar
  142. Zobrazit článek
  143. PubMed / NCBI
  144. Google Scholar
  145. Zobrazit článek
  146. PubMed / NCBI
  147. Google Scholar
  148. Zobrazit článek
  149. PubMed / NCBI
  150. Google Scholar
  151. Zobrazit článek
  152. PubMed / NCBI
  153. Google Scholar
  154. Zobrazit článek
  155. PubMed / NCBI
  156. Google Scholar
  157. Zobrazit článek
  158. PubMed / NCBI
  159. Google Scholar
  160. Zobrazit článek
  161. PubMed / NCBI
  162. Google Scholar
  163. Zobrazit článek
  164. PubMed / NCBI
  165. Google Scholar
  166. Zobrazit článek
  167. PubMed / NCBI
  168. Google Scholar
  169. Zobrazit článek
  170. PubMed / NCBI
  171. Google Scholar
  172. Zobrazit článek
  173. PubMed / NCBI
  174. Google Scholar
  175. Zobrazit článek
  176. PubMed / NCBI
  177. Google Scholar
  178. Zobrazit článek
  179. PubMed / NCBI
  180. Google Scholar
  181. Zobrazit článek
  182. PubMed / NCBI
  183. Google Scholar
  184. Zobrazit článek
  185. PubMed / NCBI
  186. Google Scholar
  187. Zobrazit článek
  188. PubMed / NCBI
  189. Google Scholar
  190. Zobrazit článek
  191. PubMed / NCBI
  192. Google Scholar
  193. Zobrazit článek
  194. PubMed / NCBI
  195. Google Scholar
  196. Zobrazit článek
  197. PubMed / NCBI
  198. Google Scholar
  199. Zobrazit článek
  200. PubMed / NCBI
  201. Google Scholar
  202. Zobrazit článek
  203. PubMed / NCBI
  204. Google Scholar
  205. Zobrazit článek
  206. PubMed / NCBI
  207. Google Scholar
  208. Zobrazit článek
  209. PubMed / NCBI
  210. Google Scholar
  211. Zobrazit článek
  212. PubMed / NCBI
  213. Google Scholar
  214. Zobrazit článek
  215. PubMed / NCBI
  216. Google Scholar
  217. Zobrazit článek
  218. PubMed / NCBI
  219. Google Scholar
  220. Zobrazit článek
  221. PubMed / NCBI
  222. Google Scholar
  223. Zobrazit článek
  224. PubMed / NCBI
  225. Google Scholar
  226. Zobrazit článek
  227. PubMed / NCBI
  228. Google Scholar
  229. Zobrazit článek
  230. PubMed / NCBI
  231. Google Scholar
  232. Zobrazit článek
  233. PubMed / NCBI
  234. Google Scholar
  235. Zobrazit článek
  236. PubMed / NCBI
  237. Google Scholar
  238. Zobrazit článek
  239. PubMed / NCBI
  240. Google Scholar
  241. Zobrazit článek
  242. PubMed / NCBI
  243. Google Scholar
  244. Zobrazit článek
  245. PubMed / NCBI
  246. Google Scholar
  247. Zobrazit článek
  248. PubMed / NCBI
  249. Google Scholar
  250. Zobrazit článek
  251. PubMed / NCBI
  252. Google Scholar
  253. Zobrazit článek
  254. PubMed / NCBI
  255. Google Scholar
  256. Zobrazit článek
  257. PubMed / NCBI
  258. Google Scholar
  259. Zobrazit článek
  260. PubMed / NCBI
  261. Google Scholar
  262. Zobrazit článek
  263. PubMed / NCBI
  264. Google Scholar
  265. Zobrazit článek
  266. PubMed / NCBI
  267. Google Scholar
  268. Zobrazit článek
  269. PubMed / NCBI
  270. Google Scholar
  271. Zobrazit článek
  272. PubMed / NCBI
  273. Google Scholar
  274. Zobrazit článek
  275. PubMed / NCBI
  276. Google Scholar
  277. Zobrazit článek
  278. PubMed / NCBI
  279. Google Scholar
  280. Zobrazit článek
  281. PubMed / NCBI
  282. Google Scholar
  283. Zobrazit článek
  284. PubMed / NCBI
  285. Google Scholar
  286. Zobrazit článek
  287. PubMed / NCBI
  288. Google Scholar
  289. Zobrazit článek
  290. PubMed / NCBI
  291. Google Scholar
  292. Zobrazit článek
  293. PubMed / NCBI
  294. Google Scholar
  295. Zobrazit článek
  296. PubMed / NCBI
  297. Google Scholar
  298. Zobrazit článek
  299. PubMed / NCBI
  300. Google Scholar
  301. Zobrazit článek
  302. PubMed / NCBI
  303. Google Scholar
  304. 7. Yuan K, Qin W, Wang G, Zeng F, Zhao L, et al. (2011) Abnormality mikrostruktury u adolescentů s poruchou závislosti na internetu. PLoS ONE 6: e20708. doi: 10.1371 / journal.pone.0020708
  305. Zobrazit článek
  306. PubMed / NCBI
  307. Google Scholar
  308. Zobrazit článek
  309. PubMed / NCBI
  310. Google Scholar
  311. Zobrazit článek
  312. PubMed / NCBI
  313. Google Scholar
  314. Zobrazit článek
  315. PubMed / NCBI
  316. Google Scholar
  317. 8. Ernst M, Pine DS, Hardin M (2006) Triadický model neurobiologie motivovaného chování v dospívání. Psychol Med 36: 299 – 312. doi: 10.1017 / s0033291705005891
  318. 9. Pine DS, Cohen P, Brook JS (2001) Emoční reaktivita a riziko psychopatologie u adolescentů. CNS Spectr 6: 27 – 35.
  319. 10. Silveri MM, Tzilos GK, Pimentel PJ, Yurgelun-Todd DA (2004) Trajektorie emocionálního a kognitivního vývoje u dospívajících: účinky sexu a rizika užívání drog. Ann NY Acad Sci 1021: 363 – 370. doi: 10.1196 / annals.1308.046
  320. 11. Steinberg L (2005) Kognitivní a afektivní vývoj v období dospívání. Trendy Cogn Sci 9: 69 – 74. doi: 10.1016 / j.tics.2004.12.005
  321. 12. Ko CH, Yen JY, Chen CC, Chen SH, Yen CF (2005) Navrhovaná diagnostická kritéria pro závislost na internetu u adolescentů. J Nerv Ment Dis 193: 728 – 733. doi: 10.1097 / 01.nmd.0000185891.13719.54
  322. 13. Yoo HJ, Cho SC, Ha J, Yune SK, Kim SJ, et al. (2004) Symptomy hyperaktivity s deficitem pozornosti a závislost na internetu. Psychiatrická klinika Neurosci 58: 487 – 494. doi: 10.1111 / j.1440-1819.2004.01290.x
  323. 14. Shapira NA, Lessig MC, Goldsmith TD, Szabo ST, Lazoritz M., a kol. (2003) Problematické používání internetu: Navrhovaná klasifikační a diagnostická kritéria. Depresivní úzkost 17: 207 – 216. doi: 10.1002 / da.10094
  324. 15. Beard KW (2005) nternet závislost: přehled současných technik hodnocení a potenciálních otázek hodnocení. Cyberpsychol Behav 8: 7 – 14. doi: 10.1089 / cpb.2005.8.7
  325. 16. Inovace mladých K (1999) v klinické praxi: Zdrojová kniha, odborný tisk zdrojů, svazek 17, kapitola Internetová závislost: příznaky, hodnocení a léčba. str. 19 – 31.
  326. 17. Problémy s blokem JJ (2008) pro DSM-V: závislost na internetu. Am J Psychiatrie 165: 306 – 307. doi: 10.1176 / appi.ajp.2007.07101556
  327. 18. Doidge N (2007) Mozek, který se mění: Příběhy osobního triumfu z hranic vědy o mozku. Penguin Books, 1st edice doi: 10.1080 / 10398560902721606
  328. 19. Americká psychiatrická asociace (2013) Diagnostický a statistický manuál duševních poruch (DSM-5). American Psychiatric Publishing (APPI) .. doi: 10.1007 / springerreference_179660
  329. 20. Bernardi S (2009) SPallanti (2009) Závislost na internetu: Popisná klinická studie se zaměřením na komorbidity a disociativní příznaky. Compr Psychiatry 50: 510 – 516. doi: 10.1016 / j.comppsych.2008.11.011
  330. 21. Caplan SE (2002) Problematické používání internetu a psychosociální pohoda: Vývoj teoretického nástroje kognitivně behaviorálního měření. Vypočítat lidské chování 18: 553 – 575. doi: 10.1016 / s0747-5632 (02) 00004-3
  331. 22. Shaw M, Black DW (2008) Závislost na internetu: definice, hodnocení, epidemiologie a klinické řízení. CNS Drugs 22: 353 – 365. doi: 10.2165 / 00023210-200822050-00001
  332. 23. TaoR, Huang X, Wang J, Zhang H, Zhang Y, et al. (2010) Navrhovaná diagnostická kritéria pro závislost na internetu. Závislost 105: 556 – 564. doi: 10.1111 / j.1360-0443.2009.02828.x
  333. 24. Ding W, Sun J, Sun Y, Zhou Y, Li L, et al. (2013) Změněné výchozí funkční připojení v klidovém stavu u dospívajících se závislostí na internetu. PLoS ONE 8: e59902. doi: 10.1371 / journal.pone.0059902
  334. 25. Lin F, Zhou Y, Du Y, Qin L, Zhao Z, et al. (2012) Abnormální integrita bílé hmoty u adolescentů s poruchou závislosti na internetu: Studie prostorové statistiky založená na traktech. PLoS ONE 7: e30253. doi: 10.1371 / journal.pone.0030253
  335. 26. Hong SB, Zalesky A, Cocchi L, Fornito A, Choi EJ, et al. (2013) Snížená funkční mozková konektivita u dospívajících se závislostí na internetu. PLoS ONE 8: e57831. doi: 10.1371 / journal.pone.0057831
  336. 27. Liu J, Yuan L, Ye J (2010) Efektivní algoritmus pro třídu fúzovaných problémů s lasem. In: KDD. str. 323 – 332.
  337. 28. Yuan K, Cheng P, Dong T, Bi Y, Xing L, et al. (2013) Abnormality tloušťky kortikálu v pozdní adolescenci s online herní závislostí. PLoS ONE 8: e53055. doi: 10.1371 / journal.pone.0053055
  338. 29. Zhou Y, Lin F, Du Y, Qin L, Zhao Z, et al. (2011) Abnormality šedé hmoty v závislosti na internetu: Morfometrická studie založená na voxelu. Eur J Radiol 79: 92 – 95. doi: 10.1016 / j.ejrad.2009.10.025
  339. 30. Yuan K, Jin C, Cheng P, Yang X, Dong T, et al. (2013) Množství abnormalit fluktuace nízkých frekvencí u dospívajících se závislostí na hraní online. PLoS ONE 8: e78708. doi: 10.1371 / journal.pone.0078708
  340. 31. Zuo XN, Ehmke R, Mennes M, Imperati D, Castellanos FX, et al. (2012) Centrální síť v lidském funkčním konektomu. Cereb Cortex 22: 1862 – 1875. doi: 10.1093 / cercor / bhr269
  341. 32. Koschützki D, Lehmann KA, Peeters L, Richter S, Tenfelde-Podehl D, et al. (2005) Indexy centrálnosti. In: Brandes U, Erlebach T, editoři, Analýza sítě: metodologické základy. New York: Springer-Verlag, svazek 3418, str. 16 – 61.
  342. 33. Beard KW, Wolf EM (2001) Modifikace v navrhovaných diagnostických kritériích pro závislost na internetu. Cyberpsychol Behav 4: 377 – 383. doi: 10.1089 / 109493101300210286
  343. 34. Ko CH, Liu GC, Hsiao S, Yen JY, Yang MJ, et al. (2009) Aktivita mozku spojená s herním nutkáním online herní závislosti. J Psychiatr Res 43: 739 – 747. doi: 10.1016 / j.jpsychires.2008.09.012
  344. 35. Young KS (1998) Chytil v síti: Jak rozpoznat příznaky závislosti na internetu a vítěznou strategii pro zotavení. John Wiley a synové.
  345. 36. Patton JH, Stanford MS, Barratt ES (1995) Faktorová struktura barrattovy stupnice impulzivity. J Clin Psychol 51: 768–774. doi: 10.1002 / 1097-4679 (199511) 51: 6 <768 :: aid-jclp2270510607> 3.0.co; 2-1
  346. 37. Huang X, Zhang Z (2001) Sestavování inventáře dispozice pro správu času adolescence. Acta Psychol Sin 33: 338 – 343.
  347. 38. Goodman R (1997) Dotazník silných a obtížných dovedností: Výzkumná poznámka. J Psychiatrie pro děti 38: 581 – 586. doi: 10.1111 / j.1469-7610.1997.tb01545.x
  348. 39. Epstein NB, Baldwin LM, Bishop DS (1983) Zařízení pro hodnocení rodiny McMaster. J Marital Fam Ther 9: 171 – 180. doi: 10.1111 / j.1752-0606.1983.tb01497.x
  349. 40. Yan CG, Zang YF (2010) DPARSF: MATLAB toolbox pro „pipeline“ analýzu dat fMRI v klidovém stavu. Přední Syst Neurosci 4: 13. doi: 10.3389 / fnsys.2010.00013
  350. 41. Song XW, Dong ZY, Long XY, Li SF, Zuo XN, et al. (2011) REST: Sada nástrojů pro zpracování dat zobrazovacích funkčních magnetických rezonancí v klidovém stavu. PLoS ONE 6: e25031. doi: 10.1371 / journal.pone.0025031
  351. 42. Power JD, Barnes KA, Snyder AZ, Schlaggar BL, Petersen SE (2012) Z pohybů subjektu vznikají rušivé, ale systematické korelace ve funkčních konektivitách MRI sítí. Neuroimage 59: 2142 – 2154. doi: 10.1016 / j.neuroimage.2011.10.018
  352. 43. Tzourio-Mazoyer N, Landeau B, Papathanassiou D, Crivello F, Etard O, et al. (2002) Automatické anatomické značení aktivací v SPM pomocí makroskopické anatomické parcellace mozku jediného subjektu MNI MRI. Neuroimage 15: 273 – 289. doi: 10.1006 / nimg.2001.0978
  353. 44. Achard S, Bullmore E (2007) Účinnost a náklady na ekonomické mozkové funkční sítě. PLoS Comput Biol 3: e17. doi: 10.1371 / journal.pcbi.0030017
  354. 45. Bassett DS, Meyer-Lindenberg A, Achard S, Duke T, Bullmore E (2006) Adaptivní rekonfigurace fraktálních funkčních sítí lidského mozku malého světa. Proc Natl Acad Sci USA 103: 19518 – 19523. doi: 10.1073 / pnas.0606005103
  355. 46. Rubinov M, Sporns O (2010) Komplexní sítě měření mozkové konektivity: použití a interpretace. Neuroimage 52: 1059 – 1069. doi: 10.1016 / j.neuroimage.2009.10.003
  356. 47. Smit DJA, Stam CJ, Posthuma D, Boomsma DI, De Geus EJC (2008). Dědičnost sítí „malého světa“ v mozku: Grafová teoretická analýza funkční konektivity EEG v klidovém stavu. Hum Brain Mapp 29: 1368 – 1378. doi: 10.1002 / hbm.20468
  357. 48. Zhang J, Wang J, Wu Q, Kuang W, Huang X, et al. (2011) Přerušené mozkové propojovací sítě u depresivní poruchy první epizody, první epizody. Biol Psychiatry 70: 334 – 342. doi: 10.1016 / j.biopsych.2011.05.018
  358. 49. Latora V, Marchiori M (2001) Efektivní chování sítí malého světa. Phys Rev Lett 87: 198701. doi: 10.1103 / physrevlett.87.198701
  359. 50. Watts DJ, Strogatz SH (1998) Kolektivní dynamika sítí „malého světa“. Příroda 393: 440 – 442. doi: 10.1038 / 30918
  360. 51. On Y, Wang J, Wang L, Chen ZJ, Yan C, et al. (2009) Odhalení vnitřní modulární organizace spontánní mozkové aktivity u lidí. PLoS ONE 4: 1 – 17. doi: 10.1371 / journal.pone.0005226
  361. 52. Gong G, Rosa-Neto P, Carbonell F, Chen ZJ, He Y, et al. (2009) Věk a genderové rozdíly v kortikální anatomické síti. J Neurosci 29: 15684 – 15693. doi: 10.1523 / jneurosci.2308-09.2009
  362. 53. Tian L, Wang J, Yan C, He Y (2011) Rozdíly související s polokoulí a genderem v mozkových sítích malého světa: Studie funkční MRI v klidovém stavu. Neuroimage 54: 191 – 202. doi: 10.1016 / j.neuroimage.2010.07.066
  363. 54. Zhu W, Wen W, He Y, Xia A, Anstey KJ, et al. (2012) Změna topologických vzorců v normálním stárnutí pomocí rozsáhlých strukturálních sítí. Neurobiol Aging 33: 899 – 913. doi: 10.1016 / j.neurobiolaging.2010.06.022
  364. 55. Hayasaka S, Laurienti PJ (2010) Porovnání charakteristik mezi analýzami sítí založenými na regionech a voxelech v klidových datech fmri. Neuroimage 50: 499 – 508. doi: 10.1016 / j.neuroimage.2009.12.051
  365. 56. Fornito A, Zalesky A, Bullmore ET (2010) Efekty škálování sítě v grafových analytických studiích údajů o lidském klidovém stavu fMRI. Přední Syst Neurosci 4: 22. doi: 10.3389 / fnsys.2010.00022
  366. 57. Zalesky A, Fornito A, Harding IH, Cocchi L, Yücel M, et al. (2010) Anatomické sítě celé mozku: Záleží na výběru uzlů? Neuroimage 50: 970 – 983. doi: 10.1016 / j.neuroimage.2009.12.027
  367. 58. Dosenbach NUF, Nardos B, Cohen AL, Fair DA, Power JD, et al. (2010) Predikce individuální dospělosti mozku pomocí fmri. Science 329: 1358 – 1361. doi: 10.1126 / science.1194144
  368. 59. Maslov S, Sneppen K (2002) Specifičnost a stabilita v topologii proteinových sítí. Science 296: 910 – 913. doi: 10.1126 / science.1065103
  369. 60. Buckner RL, Andrew-Hanna JR, Schacter DL (2008) Výchozí síťová síť mozku: anatomie, funkce a význam pro nemoc. Ann NY Acad Sci 1124: 1–38. doi: 10.1196 / annals.1440.011
  370. 61. Greicius MD, Krasnow B, Reiss AL, Menon V (2003) Funkční konektivita v klidovém mozku: síťová analýza hypotézy výchozího režimu. Proc Natl Acad Sci USA 100: 253 – 258. doi: 10.1073 / pnas.0135058100
  371. 62. Raichle ME, MacLeod AM, Snyder AZ, Powers WJ, Gusnard DA, et al. (2001) Výchozí režim funkce mozku. Proc Natl Acad Sci USA 98: 676 – 682. doi: 10.1073 / pnas.98.2.676
  372. 63. Fair DA, Dosenbach NUF, Church JA, Cohen AL, Brahmbhatt S, et al. (2007) Vývoj odlišných řídicích sítí prostřednictvím segregace a integrace. Proc Natl Acad Sci USA 104: 13507 – 13512. doi: 10.1073 / pnas.0705843104
  373. 64. Veletrh DA, Cohen AL, Power JD, Dosenbach NUF, Church JA, et al. (2009) Funkční mozkové sítě se vyvíjejí z „místní na distribuovanou“ organizaci. PLoS Comput Biol 5: e1000381. doi: 10.1371 / journal.pcbi.1000381
  374. 65. Kelly AC, Di Martino A, Uddin LQ, Zarrar Shehzad1 DGG, Reiss PT, et al. (2009) Vývoj funkční konektivity předního cingulate od pozdního dětství do raného dospělosti. Cereb Cortex 19: 640 – 657. doi: 10.1093 / cercor / bhn117
  375. 66. Supekar K, Musen M, Menon V (2009) Vývoj rozsáhlých funkčních mozkových sítí u dětí. PLoS Biol 7: e1000157. doi: 10.1371 / journal.pbio.1000157
  376. 67. Anderson JS, Druzgal TJ, Froehlich A, DuBray MB, Lange N, et al. (2011) Snížená interhemisferická funkční konektivita v autismu. Cereb Cortex 21: 1134 – 1146. doi: 10.1093 / cercor / bhq190
  377. 68. Wilson TW, Rojas DC, Reite ML, Teale PD, Rogers SJ (2007) Děti a dospívající s autismem vykazují snížené MEG reakce v ustáleném stavu. Biol Psychiatry 62: 192 – 197. doi: 10.1016 / j.biopsych.2006.07.002
  378. 69. Uddin LQ, Supekar K, Menon V (2010) Typický a atypický vývoj funkčních sítí lidského mozku: poznatky z klidového stavu fMRI. Přední Syst Neurosci 4: 21. doi: 10.3389 / fnsys.2010.00021
  379. 70. Uddin LQ, Supekar KS, Ryali S, Menon V (2011) Dynamická rekonfigurace strukturální a funkční konektivity přes jádrové neurokognitivní mozkové sítě s vývojem. J Neurosci 31: 18578 – 18589. doi: 10.1523 / jneurosci.4465-11.2011
  380. 71. Liang M, Zhou Y, Jiang T, Liu Z, Tian L, et al. (2006) Rozsáhlá funkční disconnectivita u schizofrenie se zobrazením funkční magnetické rezonance v klidovém stavu. Neuroreport 17: 209 – 213. doi: 10.1097 / 01.wnr.0000198434.06518.b8
  381. 72. Fingelkurts AA, Fingelkurts AA, Kivisaari R, Autti T, Borisov S., et al. (2006) Zvýšená lokální a snížená dálková funkční konektivita v EEG alfa a beta frekvenčních pásmech u pacientů závislých na opioidech. Psychofarmakologie 188: 42 – 52. doi: 10.1007 / s00213-006-0474-4
  382. 73. Fingelkurts AA, Fingelkurts AA, Kivisaari R, Autti T, Borisov S., et al. (2007) Odběr opiátů má za následek zvýšení lokální a vzdálené funkční konektivity v EEG alfa a beta frekvenčních pásmech. Neurosci Res 58: 40 – 49. doi: 10.1016 / j.neures.2007.01.011
  383. 74. Kelly C, Zuo XN, Gotimer K, Cox CL, Lynch L, et al. (2011) Snížená interhemispherická klidová funkční konektivita v závislosti na kokainu. Biol Psychiatry 69: 684 – 692. doi: 10.1016 / j.biopsych.2010.11.022
  384. 75. Fair DA, Cohen AL, Church NUDJA, Miezin FM, Barch DM, et al. (2008) Dozrávající architektura výchozí sítě mozku. Proc Natl Acad Sci USA 105: 4028–4032. doi: 10.1073 / pnas.0800376105
  385. 76. Bullmore E, Sporns O (2009) Složité mozkové sítě: Graf teoretická analýza strukturálních a funkčních systémů. Nat Rev Neurosci 10: 186 – 198. doi: 10.1038 / nrn2575
  386. 77. On Y, Evans A (2010) Graf teoretické modelování mozkové konektivity. Curr Opin Neurol 23: 341 – 350.
  387. 78. Stam CJ (2010) Charakterizace anatomické a funkční konektivity v mozku: perspektiva složitých sítí. Int J Psychophysiol 77: 186 – 194. doi: 10.1016 / j.ijpsycho.2010.06.024
  388. 79. Wang J, Zuo X, He Y (2010) Grafická síťová analýza funkční MRI v klidovém stavu založená na grafu. Přední Syst Neurosci 4: 16. doi: 10.3389 / fnsys.2010.00016
  389. 80. Latora V, Marchiori M (2003) Ekonomické chování malého světa ve vážených sítích. Eur Physical Journal B 32: 249 – 263. doi: 10.1140 / epjb / e2003-00095-5
  390. 81. Tononi G, Edelman GM, Sporns O (1998) Složitost a koherence: Integrace informací do mozku. Trendy v kognitivních vědách 2: 474 – 484. doi: 10.1016 / s1364-6613 (98) 01259-5
  391. 82. Mayberg HS (1997) Limbic-kortikální dysregulace: navrhovaný model deprese. J Neuropsychiatrická klinika Neurosci 9: 471 – 481.
  392. 83. Goldstein RZ, Tomasi D, Rajaram S, Cottone LA, Zhang L, et al. (2007) Úloha předního cingulátu a mediálního orbitofrontálního kortexu při zpracování narážek na drogy při závislosti na kokainu. Neurovědy 144: 1153 – 1159. doi: 10.1016 / j.neuroscience.2006.11.024
  393. 84. Grüsser SM, Wrase J, Klein S, Hermann D, Smolka MN, a kol. (2004) Aktivace striata a mediální prefrontální kůry vyvolaná cue je spojena s následným relapsem abstinujících alkoholiků. Psychofarmakologie (Berl) 175: 296 – 302. doi: 10.1007 / s00213-004-1828-4
  394. 85. Miedl SF, Fehr T, Meyer G, Herrmann M (2010) Neurobiologické koreláty problémových hazardních her v kvazi realistickém scénáři blackjacku, který odhalil fMRI. Psychiatrie Res 181: 165 – 173. doi: 10.1016 / j.pscychresns.2009.11.008
  395. 86. Matochik JA, London ED, Eldreth DA, Cadet JL, Boll KI (2003) Složení frontální kortikální tkáně u abstinentů zneužívajících kokain: studie zobrazování magnetickou rezonancí. Neuroimage 19. doi: 10.1016 / s1053-8119 (03) 00244-1
  396. 87. Fujiwara J, Tobler PN, Taira M, Iijima T, Tsutsui KI (2009) Segregované a integrované kódování odměn a trestů v kůře cingulate. J Neurofyziol 101: 3284 – 3293. doi: 10.1152 / jn.90909.2008
  397. 88. Yu C, Gupta J, Yin HH (2010) Role mediodorzálního thalamu v časové diferenciaci akcí řízených odměnou. Přední integrace Neurosci 4: 14. doi: 10.3389 / fnint.2010.00014
  398. 89. Corbit LH, Muir JL, Balleine BW (2003) Lézie mediodorsálního thalamu a předních thalamických jader vyvolávají disociovatelné účinky na instrumentální kondici u potkanů. Eur J Neurosci 18: 1286 – 1294. doi: 10.1046 / j.1460-9568.2003.02833.x
  399. 90. Saper CB (2002) Centrální autonomní nervový systém: vědomé viscerální vnímání a generování autonomních vzorů. Annu Rev Neurosci 25: 433 – 469. doi: 10.1146 / annurev.neuro.25.032502.111311
  400. 91. Ray JP, Prince JL (1993) Organizace projekcí z mediodorzálního jádra thalamu na orbitální a mediální prefrontální kůru u makaků. J Comp Neurol 337: 1 – 31. doi: 10.1002 / cne.903370102
  401. 92. Rolls ET (2004) Funkce orbitofrontální kůry. Mozek Cogn 55: 11 – 29. doi: 10.1016 / s0278-2626 (03) 00277-x
  402. 93. Dong G, Huang J, Du X (2012) Změny v regionální homogenitě mozkové aktivity v klidovém stavu u závislých na internetu. Behav Brain Funct 18: 8 – 41. doi: 10.1186 / 1744-9081-8-41
  403. 94. Steriade M, Llinás RR (1998) Funkční stavy thalamu a související neuronální souhra. Physiol Rev 68: 649 – 742.
  404. 95. Stein T, Moritz C, Quigley M, Cordes D, Haughton V, et al. (2000) Funkční konektivita v thalamu a hippocampu byla studována s funkčním zobrazováním mr. AJNR Am J Neuroradiol 21: 1397 – 1401.
  405. 96. Burgess N, Maguire EA, O'Keefe J (2002) Lidský hipokampus a prostorová a epizodická paměť. Neuron 35: 625–641. doi: 10.1016 / s0896-6273 (02) 00830-9
  406. 97. Warburton EC, Baird A, Morgan A, Muir JL, Aggleton JP (2001) Společný význam hrochocump a předních thalamických jader pro všechna alocentrická prostorová učení: Důkaz ze studie odpojení na potkanech. J Neurosci 21: 7323 – 7330.
  407. 98. Garavan H, Hester R, Murphy K, Fassbender C, Kelly C (2006) Individuální rozdíly ve funkční neuroanatomii inhibiční kontroly. Brain Res 1105: 130 – 142. doi: 10.1016 / j.brainres.2006.03.029
  408. 99. Menon V, Adleman NE, White CD, Glover GH, Reiss AL (2001) Aktivace mozku související s chybou během úlohy inhibice odpovědi Go / NoGo. Hum Brain Mapp 12: 131–143. doi: 10.1002 / 1097-0193 (200103) 12: 3 <131 :: aid-hbm1010> 3.0.co; 2-c
  409. 100. Whitfield-Gabrieli S, Ford JM (2012) Výchozí režim síťové aktivity a připojení v psychopatologii. Annu Rev Clin Psychol 8: 49 – 76. doi: 10.1146 / annurev-clinpsy-032511-143049
  410. 101. Ding X, Lee SW (2013) Reprodukční mozkové oblasti závislé na závislosti na kokainu s abnormální funkční konektivitou ve výchozím režimu: Studie skupiny ica s různými modelovými objednávkami. Neurosci Lett 548: 110 – 114. doi: 10.1016 / j.neulet.2013.05.029
  411. 102. Ma N, Liu Y, Fu XM, Li N, Wang CX, et al. (2011) Abnormální mozková funkční síťová funkční konektivita u drogově závislých. PLoS ONE 6: e16560. doi: 10.1371 / journal.pone.0016560
  412. 103. Tschernegg M, Crone JS, Eigenberger T, Schwartenbeck P, Fauth-Bühler M, et al. (2013) Abnormality funkčních mozkových sítí v patologickém hazardu: grafově teoretický přístup. Přední Hum Neurosci 7: 625. doi: 10.3389 / fnhum.2013.00625
  413. 104. Kolb B, Whishaw IQ (1998) plasticita a chování mozku. Annu Rev Psychol 49: 43 – 64. doi: 10.1146 / annurev.psych.49.1.43
  414. 105. Shaw CA, McEachern J, editoři (2001) Směrem k neuroplasticitě teorie. Psychology Press.
  415. 106. Kolb B, Gibb R (2003) plasticita a chování mozku. Curr Dir Psychol Sci 12: 1 – 5. doi: 10.1111 / 1467-8721.01210
  416. 107. Kolb B, Gibb R (2011) Plasticita a chování mozku v vyvíjejícím se mozku. J Can Acad Child Adolesc Psychiatry 20: 265 – 276.
  417. 108. Robinson TE, Berridge KC (1993) Neurální podstata touhy po drogách: motivační senzitizační teorie závislosti. Brain Res Rev 18: 247 – 291. doi: 10.1016 / 0165-0173 (93) 90013-p
  418. 109. Alavi SS, Maracy MR (2011) Vliv psychiatrických symptomů na poruchu závislosti na internetu u studentů univerzity v Isfahanu. J Res Med Sci 16: 793–800.
  419. 110. Egger O, Rauterberg M (1996) Internetové chování a závislost. Technická zpráva, Pracovní a organizační psychologická jednotka (IFAP), Švýcarský federální technologický institut (ETH), Curych.
  420. 111. Petrie H, Gunn D (1998) Internetová „závislost“: Účinky pohlaví, věku, deprese a introverze. In: London Psychological Society London Conference. Londýn, Británie: Britská psychologická společnost. Příspěvek prezentovaný na britské konferenci Psychologické společnosti v Londýně.