Adicto Behav. 2018 Feb 12; 81: 157-166. doi: 10.1016 / j.addbeh.2018.02.017.
Ioannidis K1, Treder MS2, Chamberlain SR1, Kiraly f3, Redden sa4, Stein DJ5, Lochner C6, Grant JE7.
Compendio
Antecedentes y objetivos:
El uso problemático de internet (PIU; también conocido como adicción a internet) es un problema creciente en las sociedades modernas. Existe un escaso conocimiento de las variables demográficas y las actividades específicas de Internet asociadas con la PIU y una comprensión limitada de cómo se debe conceptualizar la PIU. Nuestro objetivo fue identificar actividades específicas de Internet asociadas con la PIU y explorar el papel moderador de la edad y el género en esas asociaciones.
MÉTODOS:
Reclutamos a participantes de 1749 de edades 18 y superiores a través de anuncios en los medios de comunicación en una encuesta basada en Internet en dos sitios, uno en los EE. UU. Y uno en Sudáfrica; Utilizamos la regresión de Lasso para el análisis.
RESULTADOS:
Las actividades específicas de Internet se asociaron con puntuaciones más altas de uso problemático de Internet, incluida la navegación en general (lasso β: 2.1), los juegos de Internet (β: 0.6), las compras en línea (β: 1.4), el uso de sitios web de subastas en línea (β: 0.027), redes sociales. redes (β: 0.46) y uso de pornografía en línea (β: 1.0). La edad moderó la relación entre PIU y los juegos de rol (β: 0.33), los juegos de azar en línea (β: 0.15), el uso de sitios web de subastas (β: 0.35) y los medios de transmisión (β: 0.35), y la edad avanzada se asoció con una mayor niveles de PIU. No hubo evidencia concluyente de que las actividades de género y género × Internet se asociaran con puntuaciones de uso problemático de Internet. El trastorno por déficit de atención con hiperactividad (TDAH) y el trastorno de ansiedad social se asociaron con puntuaciones altas de PIU en participantes jóvenes (edad ≤ 25, β: 0.35 y 0.65 respectivamente), mientras que el trastorno de ansiedad generalizada (TAG) y el trastorno obsesivo compulsivo (TOC) sí lo fueron. asociado con puntuaciones altas de PIU en los participantes mayores (edad> 55, β: 6.4 y 4.3 respectivamente).
CONCLUSIONES:
Muchos tipos de comportamiento en línea (por ejemplo, compras, pornografía, navegación en general) tienen una relación más fuerte con el uso inadaptado de Internet que los juegos que respaldan la clasificación diagnóstica del uso problemático de Internet como un trastorno multifacético. Además, las actividades de Internet y los diagnósticos psiquiátricos asociados con el uso problemático de Internet varían con la edad, con implicaciones para la salud pública.
PALABRAS CLAVE: Adicción al comportamiento; Adicción a Internet; Trastorno de los juegos de Internet; Lazo; Aprendizaje automático; Uso problemático de internet
PMID: 29459201
DOI: 10.1016 / j.addbeh.2018.02.017
1
Introducción
El uso problemático de internet (PIU; también conocido como adicción a internet) es un problema de salud pública en las sociedades modernas de todo el mundo. La epidemiología de la UIP aún no está clara (
; ) con una amplia gama de estimaciones de prevalencia puntual informadas (1% a 36.7%), que probablemente reflejen no solo las diferencias de población sino también la diversidad de herramientas de evaluación y las diferentes definiciones operativas de los comportamientos de la UEP. El DSM-5 ha destacado el trastorno de los juegos de Internet como una condición para un estudio adicional (), excluyendo específicamente otras actividades basadas en Internet como los juegos de azar y el uso de las redes sociales, a pesar de la evidencia acumulada de que el uso problemático de Internet es un problema multifacético que va más allá de los juegos en línea (; ;). Se ha descrito que muchos comportamientos en línea diferentes pueden afectar el funcionamiento normal cuando se llevan a cabo en exceso, incluidos los juegos en línea y los juegos de rol en línea multijugador masivo (;;;;;), los juegos de azar en línea (;), las compras en línea (; ;), visualización de pornografía (;;), revisión frecuente del correo electrónico, mensajería instantánea (;;) y uso excesivo de las redes sociales (;). Los comportamientos en línea también pueden causar preocupación por la salud física de las personas (;) o sentar las bases para actos delictivos (). Las características impulsivas y compulsivas pueden sustentar los comportamientos problemáticos de Internet (;;;;), mientras que las actividades específicas de Internet se han relacionado con trastornos psiquiátricos; por ejemplo, las compras en línea se han relacionado con la depresión y el acaparamiento (
).
Los jóvenes y los estudiantes son considerados como los más vulnerables para PIU (
; ; ; ; ), pero las poblaciones de mediana edad y mayores no han sido investigadas exhaustivamente. La edad joven se ha asociado con compras en línea problemáticas (;). Sin embargo, se han realizado varios estudios que identifican actividades problemáticas de Internet, incluyendo compras excesivas basadas en Internet, en poblaciones adultas (
). En general, la historia natural del uso problemático de Internet es aún desconocida y puede haber diferencias relacionadas con la edad en la UEP en general, o en diferentes comportamientos problemáticos en línea.
Se ha considerado que la UEP tiene una preponderancia masculina (
; ) y probablemente es más frecuente entre los jóvenes varones asiáticos, pero las mujeres también pueden ser vulnerables (;). A nivel clínico, la mayoría de los estudios de la UIP solo incluyeron participantes masculinos () y no está claro si las poblaciones clínicas femeninas pueden haber sido poco estudiadas. Existe evidencia de estudios observacionales de que hombres y mujeres difieren en la forma en que operan en el entorno en línea en términos de las actividades que eligen y sus consecuencias negativas (;). El uso excesivo del chat y las redes sociales se ha asociado con el género femenino en estudiantes jóvenes (;;;; S). El género femenino también se ha identificado como un predictor de compras en línea problemáticas (), pero también se ha informado lo contrario (;). Los juegos en línea se han asociado con el género masculino (), pero se ha informado de juegos masivos de juego de rol multijugador en ambos sexos (). Se ha informado que la pornografía en línea y el juego en línea son más frecuentes entre los hombres adultos (), sin embargo, se ha argumentado que el papel del refuerzo de recompensa, la reactividad de la señal y el deseo de tener sexo en línea son similares para ambos sexos (). Ambos géneros utilizan plataformas particulares de redes sociales con potencial adictivo, como sitios de redes como Facebook, y se ha argumentado que las mujeres podrían estar especialmente en riesgo (). En general, puede haber diferencias específicas de género para los aspectos de la UEP; alternativamente, puede ser que una vez que se tengan en cuenta las características clínicas y de comportamiento / confusiones, ambos géneros se vean afectados de manera similar (;
).
En general, el uso problemático de Internet, incluida la amplia variedad de comportamientos problemáticos de Internet, requiere investigaciones más rigurosas que arrojen luz sobre qué actividades específicas deben considerarse problemáticas o disfuncionales o, en general, contribuyen al fenómeno descrito como UEP. La forma en que la edad y el género moderan la relación entre las actividades particulares de Internet y la PIU ha sido poco estudiada, lo que merece más atención.
Nuestro objetivo fue identificar actividades específicas relacionadas con Internet asociadas estadísticamente con la PIU y si existen interacciones con la edad o el género que moderan esas relaciones.
2
material y métodos
2.1
Entorno y medidas
Más detalles sobre el entorno y las medidas de este estudio también se han descrito en nuestra publicación anterior en PIU (
). La notificación de los métodos para este estudio sigue la guía STROBE (
). El estudio actual se realizó desde enero 2014 hasta febrero 2015. Los individuos de 18 de años y más se reclutaron en dos sitios: Chicago (EE. UU.) Y Stellenbosch (Sudáfrica) mediante anuncios en Internet (edad media 29 [18 – 77]; varones 1119 [64%]; 1285 Caucasian [73%]). Los anuncios pedían a las personas que participaran en una encuesta en línea sobre el uso de Internet. Los participantes completaron la encuesta de forma anónima utilizando el software Survey Monkey. La encuesta se envió a través de Craigslist, por lo que solo se seleccionaron los participantes de los lugares específicos. El estudio fue aprobado por las juntas de revisión institucional en cada sitio de investigación. Los participantes no recibieron ninguna compensación por participar, pero se inscribieron en una lotería aleatoria en la que estaban disponibles cinco premios con cada premio valorado entre $ 50 y $ 200 en EE. UU. Y tres premios entre ZAR250 y ZAR750 en Sudáfrica.
La encuesta en línea contenía preguntas sobre la edad, el género, la raza, el estado civil, la orientación sexual y los antecedentes educativos de cada individuo, junto con varias medidas de actividades específicas en Internet. Medimos varias actividades de Internet diferentes, incluyendo 1) navegación en general 2) juegos de Internet en total 3) Juegos de rol en línea (RPG) 4) Perdidos de tiempo / juegos de habilidad (es decir, aplicaciones en iPod / iPad / teléfono celular, Tetris, joyas) 5 ) Multijugador de acción en línea (es decir, Call of Duty, Gears of War) 6) Compras en línea 7) Sitios web de subastas (es decir, Ebay) 8) Apuestas en línea 9) Redes sociales 10) Deportes en línea (es decir, deportes de fantasía, ESPN) 11) Pornografía / sexo en Internet 12) Mensajes / Blogs (es decir, AIM, Skype) y 13) Transmisión de videos / medios (es decir, YouTube, Hulu). La encuesta también incluyó medidas clínicas: la prueba de adicción a Internet (IAT) (
) para proporcionar una medida de uso inadaptado de internet; seleccione los módulos de Mini International Neuropsychiatric Interview (MINI) () para identificar un probable trastorno de ansiedad social (SAD), un trastorno de ansiedad generalizada (GAD) y un trastorno obsesivo-compulsivo (OCD); la lista de verificación de síntomas de la escala de autoinforme de TDAH en adultos (ASRS-v1.1) () para identificar los síntomas del trastorno por déficit de atención con hiperactividad (TDAH); el Inventario de Padua (PI) () para identificar tendencias obsesivo-compulsivas; y la Escala de Impulsividad de Barratt (BIS-11) para cuantificar la personalidad impulsiva (
). Las estadísticas descriptivas de todas las variables se resumen y estratifican por edad en la Tabla complementaria S1a.
El IAT comprende preguntas 20 que examinan las facetas de la PIU. Las puntuaciones en el rango de IAT de 20 a 100 con 20 – 49 reflejan un uso moderado de Internet, 50 – 79 moderado uso de Internet y 80 – 100 reflejan un uso severo de Internet. El PI consta de ítems 39 que evalúan el comportamiento obsesivo y compulsivo común. El BIS-11 es un cuestionario de autoinforme que se utiliza para determinar los niveles de impulsividad.
Realizamos un análisis de componentes principales (PCA) para identificar si algunos componentes de las actividades de Internet podrían explicar una parte significativa de la varianza. Sin embargo, este análisis mostró que requerimos> 11 de 13 componentes para lograr> 90% de varianza, lo que indica que una parte significativa de las variables de las actividades de Internet contribuyen de manera única a la varianza. Por lo tanto, decidimos utilizar cada variable por separado en nuestro análisis.
Solo se incluyeron en los análisis los datos de los participantes que completaron la totalidad de la encuesta en línea, incluidas las medidas de actividad en Internet. La muestra original incluyó a 2551 individuos. 63 individuos fueron excluidos por carecer de puntajes IAT. Otras 18 personas fueron excluidas por informar sobre el género transgénero y 459 por falta de variables predictoras importantes, como las puntuaciones del cuestionario PI o BIS. Se excluyeron cinco personas por informar de edad <18 años. Otras 257 personas fueron excluidas debido a que faltaban medidas de actividad en Internet. El conjunto completo final incluyó 1749 individuos con puntajes completos en todas las variables. Este último paso del proceso de exclusión explica la diferencia muestral entre el presente estudio y
. Este conjunto final completo incluyó a 1063 personas del sitio de Stellenbosch y 686 personas del sitio de Chicago. La prevalencia puntual estimada de PIU fue ~ 8.5% usando un límite de IAT de 50 o más. Al comparar las dos poblaciones de sitios de estudio, el sitio de Stellenbosch tuvo participantes más jóvenes [media (rango) 24.3 (18-76) vs 36.3 (18-77), ANOVA F <0.05, η 2 : 0.20], una proporción menor del género masculino [58% vs 73%, χ 2 <0.05, φ : 0.15], mayor proporción de orientación sexual heterosexual [91% vs 84%, χ 2 <0.05, φ : 0.10], tasas más altas de TDAH [50% vs 41% χ 2 <0.05, φ : 0.9], tasas más bajas de compras en línea [media (rango) 0.48 (0–5) frente a 1.27 (0–5), ANOVA F <0.05, η 2 : 0.18] y puntuaciones IAT ligeramente más bajas [media (rango) 30.3 (20-94) frente a 35.9 (20-85), ANOVA F <0.05, η 2 : 0.06]. Una comparación más detallada se presenta en la Tabla Complementaria S1b. El proceso de reclutamiento y exclusión se presentan gráficamente en . Todas las variables continuas (es decir, la puntuación BIS) se estandarizaron para aumentar la interpretabilidad de los coeficientes del modelo. Los métodos de predicción utilizaron la puntuación IAT como una variable numérica (Rango 20 – 94, Mean 32.48). Todos los análisis se realizaron en R Studio versión 3.1.2. Los modelos lineales generalizados Lasso se realizaron utilizando el paquete "glmnet" (Paquete glmnet versión 2.0 – 5 (
)). Se pueden encontrar más detalles sobre el proceso de análisis en el Suplemento (apéndice de metodología).
2.2
Exploración de correlaciones
Exploramos las correlaciones entre las variables en nuestros datos (ver ). Todas las diferentes actividades de Internet tenían correlaciones positivas débiles con la puntuación IAT (rango de coeficiente de correlación de Pearson 0.23-0.48). Se identificaron algunas correlaciones positivas moderadas entre las variables de actividad en Internet, es decir, juegos de rol y juegos de rol en Internet totales (r = 0.57), juegos de juegos de Internet y juegos de acción multijugador (r = 0.55), compras en línea y uso de sitios web de subastas (r = 0.55), navegación general y compras (r = 0.44), navegación general y redes sociales (r = 0.44), navegación general y medios de transmisión (r = 0.44). Hubo correlaciones positivas débiles entre deportes y pornografía (r = 0.38), género masculino y deportes (r = 0.30) o pornografía (r = 0.39) o juegos multijugador de acción (r = 0.27). Hubo correlaciones débiles entre los juegos de azar en línea y el multijugador de acción (r = 0.41), RGP (r = 0.32), sitios web de subastas (r = 0.38), deportes (r = 0.38) o pornografía (r = 0.39). La impulsividad se correlacionó de manera débil y positiva con la navegación en general, las compras en línea, el uso de sitios web de subastas, las redes sociales, los medios de transmisión y la pornografía (0.2 ≤ r ≤ 0.3). También hubo una correlación débil entre la edad avanzada y las actividades de compra (r = 0.33) o el uso de sitios web de subastas (r = 0.22), y entre la orientación sexual no heterosexual y la pornografía (r = 0.22). Todas las demás correlaciones entre las actividades en Internet y la edad, el género, el estado civil, la orientación sexual, el nivel de educación, la raza y los niveles de impulsividad y compulsividad fueron muy débiles (−0.2 <r <0.2).
2.3
Tratar con exceso de ajuste
Para nuestros métodos estadísticos utilizamos modelos que incluían variables demográficas (edad, raza, nivel de educación, sexo, estado de la relación, orientación sexual), características clínicas (diagnósticos de TDAH, TAG, ansiedad social y TOC), dimensiones de comportamiento que se sabe que están asociadas con PIU (impulsividad y compulsividad), actividades de Internet y términos de interacción entre actividades de Internet × Edad o Género; este último se decidió probar la hipótesis de que la edad o el género moderan la relación entre las actividades de Internet y las puntuaciones problemáticas de uso de Internet. Incluimos un total de variables predictoras 51. Al incluir una plétora de variables, buscamos un modelo que sea más preciso y al mismo tiempo capture interacciones complejas entre las variables de actividad demográfica y de Internet. Sin embargo, la desventaja de tener muchas variables predictoras es que esto generalmente conduce a un ajuste excesivo acompañado de grandes coeficientes. Además, la regresión lineal dentro de la muestra también tiende a sobre-ajustarse, especialmente en modelos complejos, y es fundamentalmente defectuosa al hacer predicciones sobre nuevos datos. Existe una amplia evidencia de las desventajas de los modelos excesivos (
). Para tratar el ajuste excesivo, hemos discutido el uso de métodos estadísticos fuera de la muestra (validación cruzada) para obtener una estimación de la generalización y el error de predicción del modelo (
). Exploramos este enfoque en nuestros datos actuales cuando usamos una estimación de la raíz cuadrada del error con validación cruzada fuera de la muestra junto con la selección hacia atrás de variables para probar si los modelos mejoran al agregar un gran número de variables en los subconjuntos de posibles combinaciones de predictores, y vimos que los modelos dispersos (es decir, con aproximadamente entre 13 y 16 variables) no eran inferiores en términos de RMSE con validación cruzada en comparación con modelos más complejos (que incluyen> 16 variables). Esto se muestra en exploratorio (arriba a la izquierda).
2.4
Regresión regularizada con restricciones de dispersión
Por las razones mencionadas en el párrafo anterior, queríamos utilizar un método de predicción que no se ajustara demasiado, al mismo tiempo que era comparable a los métodos estadísticos estándar en términos de predicción de puntajes de UEP. También sería valioso si nuestro método también pudiera hacer una selección de variables (es decir, reduciendo el número de predictores con coeficientes distintos de cero), para ayudar con la interpretabilidad del modelo. Regularización, inicialmente diseñada por Tikhonov para resolver ecuaciones integrales (
) e introducido posteriormente en la ciencia estadística por algunas de las propiedades deseadas antes mencionadas de cambiar la construcción del modelo hacia la escasez y reducir el ajuste excesivo (). Lasso (modelo lineal generalizado con probabilidad máxima penalizada, conocido como regresión que usa el operador de selección y contracción mínima absoluta (Laso o LASSO ()) es un método de regularización y análisis de regresión que se usa a menudo en las ciencias médicas (;) y tiene potencial para su uso en Modelo de predicción clínica en psiquiatría (RC). La regresión de cresta es otra forma de regresión lineal regularizada que reduce los coeficientes al introducir una penalización de coeficiente (). La red elástica es un modelo intermedio entre la cresta y el lazo y su penalización está controlada por α, que cierra la brecha entre Lasso (α = 1) y la cresta (α = 0). El parámetro de ajuste λ controla la intensidad general de la penalización. Lasso usa la penalización L1 y la cresta usa la penalización L2. En contraste con la regresión de crestas, el efecto de la penalización de Lasso L1 es que la mayoría de los coeficientes se reducen a cero, lo que lleva a una solución regularizada que es escasa al mismo tiempo. Mediante este mecanismo, el Laso realiza una selección de variables que puede simplificar enormemente la interpretación, especialmente si hay muchos predictores involucrados en el modelo. Otro método no estándar conocido por la alta precisión y la capacidad de evitar el ajuste excesivo son los bosques aleatorios (
). Los bosques aleatorios son un método de aprendizaje automático que funciona bien contra dependencias no lineales y, por lo tanto, explorar el rendimiento de este modelo podría darnos una idea de asociaciones complejas, posiblemente "ocultas".
2.5
Metodos de prediccion
Para elegir el modelo apropiado en nuestro análisis, comparamos la regresión lineal, la regresión de la cresta, la red elástica, Lasso y los modelos de bosque aleatorio entre sí y con una línea de base ingenua, utilizando una estimación de RMSE fuera de la muestra con validación cruzada. Nuestra validación cruzada incluyó dividir aleatoriamente los datos en un conjunto de entrenamiento y prueba, ajustar los parámetros del modelo en el conjunto de entrenamiento y hacer predicciones para las puntuaciones de IAT en el conjunto de prueba. Debido a la naturaleza aleatoria de dividir los datos en pliegues, repetimos este proceso 50 veces para obtener una estimación estable y replicable. Luego comparamos los vectores finales de las puntuaciones de RMSE utilizando pruebas de rango exacto con signo de Wilcoxon-Pratt. Todos los modelos fueron significativamente superiores a la línea de base ingenua (p corregida <0.001, d de Cohen = −0.87) (consulte la Tabla complementaria S2). Las estadísticas resumidas de las puntuaciones de RMSE se presentan en la Tabla complementaria S3. El lazo y la red elástica fueron superiores a la regresión de cresta (p corregida <0.01, d = 0.51, d = 0.49) y la regresión lineal (p corregida <0.001, d = 0.76) y no estadísticamente diferentes entre sí (p corregida> 0.05, d = −0.08). El bosque aleatorio no fue superior ni al lazo (p = 0.12) ni a la red elástica (p corregido> 0.05). Por lo tanto, en nuestro análisis, usamos Lasso porque, además de un buen desempeño de predicción fuera de la muestra, Lasso pudo realizar una selección de variables reduciendo los coeficientes a cero y, por lo tanto, aumentando la interpretabilidad. Aunque la red elástica también puede realizar selección de variables, tiende a seleccionar más variables y, a pesar de ser un modelo más complejo y poderoso, no dio un rendimiento significativamente mejor que el lazo. En nuestro análisis final de datos completos y análisis de subgrupos, utilizamos una validación cruzada de 10 veces para producir la lambda óptima para cada modelo de lazo e informar los coeficientes producidos por esos modelos. Los gráficos explicativos derivados del análisis completo de datos se presentan en .
3
Resultados
Los resultados de la regresión de lazo se resumen en toda la muestra y se estratifican por edad en Tablas 1 y 2 . Las tablas completas de resultados para los análisis de subgrupos, incluidas las estratificadas por edad y por sitio de estudio, se presentan en las tablas complementarias en línea (Tablas S4 – S10). Las gráficas exploratorias de los datos se presentan en figuras complementarias (Figs. S1 – S3). Los resultados del enfoque estadístico más estándar de la regresión lineal también se presentan en las Tablas Suplementarias S4-S10 y cualquier diferencia en la inferencia estructural en comparación con los principales resultados que se presentan a continuación depende de la elección de otro modelo.
| Actividad de internet | Todos (n = 1749) | 18 ≤ Edad ≤ 25 (n = 1042) | 26 ≤ Edad ≤ 55 (n = 592) | Edad> 55 (n = 115) |
|---|---|---|---|---|
| Surf general | 2.100 | 2.400 | 1.500 | 0.590 |
| Juegos de internet | 0.600 | 0.450 | 0.110 | 0.000 |
| RPG | 0.000 | 0.000 | 0.710 | 0.000 |
| Perdedores de tiempo | 0.000 | 0.000 | 0.000 | 0.450 |
| Acción multijugador | 0.000 | 0.000 | 0.000 | 0.000 |
| Compras | 1.400 | 0.840 | 1.500 | 0.000 |
| Sitios web de subastas | 0.027 | 0.000 | 0.990 | 0.230 |
| Apostar | 0.000 | 0.000 | 0.780 | 0.000 |
| Redes Sociales | 0.460 | 0.000 | 1.300 | 0.000 |
| Deportes | 0.000 | 0.000 | 0.000 | 0.000 |
| pornografía | 1.000 | 1.400 | 0.210 | 0.000 |
| Mensajes | 0.000 | 0.000 | 0.110 | 0.000 |
| TV y Radio online | 0.000 | 0.000 | 0.000 | 1.200 |
| PADUA | 0.074 | 0.085 | 0.029 | 0.065 |
| BIS | 0.066 | 0.048 | 0.072 | 0.086 |
| Diagnóstico de TDAH | 1.700 | 0.350 | 3.100 | 0.000 |
| Diagnóstico de GAD | 0.230 | 0.000 | 0.000 | 6.400 |
| Diagnóstico de ansiedad social | 0.000 | 0.560 | 0.000 | 0.000 |
| Diagnóstico de TOC | 0.270 | 0.000 | 0.000 | 4.300 |
| Actividad de internet | Todos (n = 1749) | 18 ≤ Edad ≤ 25 (n = 1042) | 26 ≤ Edad ≤ 55 (n = 592) | Edad> 55 (n = 115) |
|---|---|---|---|---|
| Variables demograficas | 0.000 | 0.000 | 0.000 | 0.000 |
| Género × cualquier actividad de internet | 0.000 | 0.000 | 0.000 | 0.000 |
| Edad × surf general | 0.000 | – | – | – |
| Edad × juegos de internet | 0.000 | – | – | – |
| Edad × RPG | 0.330 | – | – | – |
| Edad x tiempo que pierde | 0.000 | – | – | – |
| Edad × acción multijugador | 0.000 | – | – | – |
| Edad × compras | 0.000 | – | – | – |
| Edad × juego | 0.150 | – | – | – |
| Sitios web de subastas × edad | 0.350 | – | – | – |
| Edad × redes sociales | 0.000 | – | – | – |
| Edad x deportes | 0.000 | – | – | – |
| Edad × pornografía | 0.000 | – | – | – |
| Edad × mensajes | 0.000 | – | – | – |
| Edad × transmisión de medios | 0.350 | – | – | – |
3.1
Demografía
En la regresión de lazo, ninguna variable, incluida la edad, el sexo, la raza, el nivel de educación, el estado de la relación o la orientación sexual se asoció con la UEP en cualquier subgrupo de edad o en los datos completos.
3.2
Actividades de internet
En la regresión de datos completos de Lasso, varias actividades de Internet se asociaron con puntuaciones altas de PIU, incluida la navegación general (β: 2.1), los juegos de Internet (β: 0.6), las compras en línea (β: 1.4), el uso de sitios web de subastas (β: 0.027), redes sociales (β: 0.46) y uso de pornografía en línea (β: 1.0). Las relaciones entre PIU y juegos de rol (RPG), los juegos de azar en línea, el uso de sitios web de subastas y el uso de medios de transmisión se moderaron por edad (β: 0.33, 0.15, 0.35 y 0.35 respectivamente), y la edad avanzada se asoció con puntuaciones de PIU más altas. . En el análisis de subgrupos de edad (participantes jóvenes ≤ 25 años, participantes de mediana edad 25 <edad ≤ 55; participantes mayores> 55 años), el surf en general se asoció con PIU en todos los grupos de edad, pero más fuertemente en los jóvenes (β: 2.4) , menos en los de mediana edad (β: 1.5), e incluso menos en los participantes de mayor edad (β: 0.59). Se observó una tendencia similar en los juegos de Internet (β: 0.45, 0.11 y 0.0 para los tres grupos de edad respectivamente) y el uso de pornografía en línea (β: 1.4, 0.21 y 0.0). Algunas actividades de Internet, como el uso de juegos de rol en línea, se asociaron más fuertemente con PIU en participantes de mediana edad en comparación con otros grupos de edad (β: 0.71). Lo mismo ocurrió con los juegos de azar en línea (β: 0.78), la mensajería instantánea (β: 0.11) y las redes sociales en línea (β: 1.3). El uso de sitios web de subastas también se asoció más fuertemente con PIU en participantes de mediana edad (β: 0.99), pero también fue predictivo en los participantes mayores (β: 0.23). La transmisión de medios en línea y el uso de pérdidas de tiempo se asociaron con PIU en los participantes mayores (β: 1.2, 0.45 respectivamente), pero no en ningún otro grupo de edad.
3.3
Características clínicas y de comportamiento.
Los síntomas del trastorno por déficit de atención con hiperactividad (TDAH) (β: 1.7), trastorno de ansiedad generalizada (GAD) (β: 0.23) y trastorno obsesivo-compulsivo (TOC) (β: 0.27) se asociaron con puntuaciones más altas de la UIP. En el análisis de subgrupos por edad, el TDAH y la SAD se asociaron con puntuaciones de PIU más altas en los participantes más jóvenes (β: 0.35 y 0.56, respectivamente), mientras que el TDAH se mantuvo significativo en el subgrupo de mediana edad (β: 3.1). GAD y OCD se asociaron con puntuaciones de PIU más altas en el subgrupo de participantes mayores (β: 6.4 y 4.3 respectivamente), pero no en los otros grupos de edad. Las puntuaciones BIS (personalidad impulsiva) y las puntuaciones PADUA (tendencias obsesivo-compulsivas) se asociaron con puntuaciones PIU más altas en los datos completos (β: 0.066 y 0.074 respectivamente) y en todos los análisis de subgrupos de edad.
4
Discusión
Este documento es el primer intento de explorar de manera integral los diferentes tipos de actividades de Internet asociadas con el uso no adaptativo de Internet, es decir, con el uso problemático de Internet. El trabajo anterior generalmente ha abordado el tema de las actividades específicas de Internet que conducen a un uso problemático al centrarse en actividades aisladas de Internet (
; ; ; ; ). Hemos demostrado aquí que una variedad de actividades en Internet, incluyendo navegación general, juegos en línea, compras en línea, uso de sitios web de subastas, juegos en línea, redes sociales y uso de pornografía en línea contribuyen por separado y de forma única a PIU, proporcionando evidencia de que la PIU es un complejo Fenómeno que comprende una variedad de comportamientos problemáticos. Además, hemos demostrado que esos comportamientos conservan sus asociaciones estadísticamente significativas con la PIU, incluso cuando se sabe que los síntomas psiquiátricos están asociados con la PIU (es decir, los síntomas de ADHD, GAD y OCD) y las dimensiones de la conducta que se sabe que predicen UEP (es decir, medidas de personalidad de impulsividad y compulsividad) (;;
) se tienen en cuenta. Además, hemos demostrado que las actividades específicas de Internet como los juegos de rol, los juegos en línea, el uso de sitios web de subastas y los medios de transmisión se asocian con puntuaciones de PIU más altas y que esta relación depende de la edad. Finalmente, nuestros datos muestran que otros tipos de comportamiento en línea (por ejemplo, compras, pornografía, navegación en general) tienen una relación más fuerte con el uso inadaptado de Internet que con los juegos y es posible que esto se relacione con el hecho de que estudios anteriores no han incluido dicha información. Amplia gama de actividades relacionadas con internet. Estos resultados tienen implicaciones significativas para la conceptualización de la PIU como un trastorno clínicamente significativo, ya que desvían la atención del constructo unidimensional y relativamente estrecho del "trastorno del juego en Internet", hacia una entidad multidimensional de uso problemático de Internet o adicción a Internet que comprende múltiples facetas. del comportamiento humano en línea.
Además, al utilizar la validación cruzada fuera de la muestra, hemos demostrado que el enfoque "no estándar" del uso de la regresión Lasso es más preciso para predecir las puntuaciones de la UEP en comparación con la regresión lineal "más estándar". El uso de la estimación fuera del muestreo del valor predictivo de un modelo a menudo ayuda a abordar el fenómeno por el cual los significados decaen en los estudios de replicación. Sin embargo, la elección de la regresión Lasso viene con la advertencia de que las variables que no son seleccionadas por el modelo (con coeficientes cero) todavía pueden ser predictivas, especialmente cuando existen altas correlaciones entre las variables seleccionadas y no seleccionadas. En nuestro conjunto de datos, no tuvimos ninguna variable altamente correlacionada, sin embargo, esta limitación significa que debemos tratar cualquier resultado negativo de forma conservadora. Por ejemplo, la falta de asociación entre el género y la PIU, así como la falta de asociación entre las actividades de género x Internet con la PIU, pueden sostener la hipótesis de que si se toma en cuenta una gama más amplia de comportamientos de PIU y posibles factores de confusión, ambos géneros son igualmente vulnerables. para desarrollar facetas de la UIP (
; ). Sin embargo, debido a las limitaciones de nuestro análisis, no podemos excluir la posibilidad de que existan otras asociaciones entre PIU y género. Por ejemplo, se ha sugerido que el género modera la relación entre las compras en línea y la PIU y que las mujeres pueden estar en mayor riesgo (). De relevancia puede ser el trastorno de compra compulsivo, un trastorno que es prominente en los grupos de mediana edad tiene un predominio femenino por la proporción de 5: 1 (), y puede estar impulsando tales hallazgos. No tuvimos ningún dato sobre este trastorno para probar esta hipótesis. También es importante tener en cuenta que el instrumento IAT utilizado aquí ha recibido críticas por su falta de solidez en cuanto a la estructura de los factores, las diferencias con la operacionalización actual del DSM-5 (trastorno del juego) y se ha quedado rezagado respecto de los avances tecnológicos de las aplicaciones de internet (
). La futura investigación de la PIU estaría bien servida por instrumentos validados metodológicamente robustos, que también podrían capturar la naturaleza en rápida evolución de la PIU desde una perspectiva tecnológica y de comportamiento.
Nuestro análisis de subgrupos por edad proporcionó información sobre las asociaciones relacionadas con la edad entre PIU y diversas actividades de Internet. La concepción común de que la PIU es un trastorno de la juventud no es necesariamente correcta y puede basarse en la falta de estudios diseñados adecuadamente que capturen los comportamientos en línea en todos los grupos de edad. El conocimiento insuficiente de la historia natural de la PIU a lo largo de la vida no permite una exploración exhaustiva de las vulnerabilidades en las poblaciones mayores en términos de riesgo para desarrollar la PIU. Sin embargo, nuestros resultados indican que esas vulnerabilidades existen y se necesita más investigación para trazar las características de las poblaciones en riesgo. Por ejemplo, tener síntomas de TDAH o ansiedad social puede ser un factor predictivo de la PIU en poblaciones jóvenes, mientras que tener síntomas de TOC o GAD puede ser un factor predictivo de la PIU en poblaciones mayores. El hecho de que no se encontró que el TOC estuviera asociado con la PIU en un metanálisis reciente (
) puede ser un indicador de que las poblaciones de mayor edad han sido poco estudiadas. El hecho de que el TDAH esté fuertemente asociado con puntuaciones altas en la UIP no es sorprendente, ya que otros estudios han informado una prevalencia muy alta de TDAH (hasta el 100%) en las poblaciones de la UIP (). Al mismo tiempo, las poblaciones específicas de mediana edad (entre 26 y 55) pueden tener un mayor riesgo de UIP, si también sufren un trastorno de compra compulsiva o un trastorno del juego, dada la historia natural de esos trastornos, que alcanzan su punto máximo en la mediana edad (
).
Además, los hallazgos de que una actividad en línea particular se asoció con la PIU solo en grupos de edad específicos, implican que los grupos de edad particulares pueden estar en riesgo de desarrollar aspectos de la PIU. Si bien los jóvenes pueden correr un mayor riesgo de desarrollar PIU con una tendencia a ver pornografía, una vulnerabilidad que puede ser menos fuerte en la mediana edad y desaparecer más adelante en la vida, las personas mayores pueden ser más propensas a desarrollar PIU caracterizada por el uso problemático del tiempo. desperdicios y medios de transmisión (ver exploratorio ). Finalmente, el surf general podría ser una faceta subestimada de la PIU, que parece estar más fuertemente asociada con puntuaciones más altas de PIU en personas jóvenes, pero importante en todos los grupos de edad; Este hallazgo puede estar relacionado con el hecho de que la vida adulta temprana puede tener menos objetivos y que los jóvenes pasan más tiempo en actividades no estructuradas en entornos en línea en comparación con otros grupos de mayor edad.
Nuestros resultados también tienen implicaciones para la salud pública en relación con la regulación del contenido en línea y las intervenciones dirigidas. Si las actividades particulares están más estrechamente vinculadas con el desarrollo del uso problemático que otras, entonces surge la pregunta de si las políticas de salud pública deberían estar dirigidas a grupos de personas vulnerables para mejorar su resiliencia frente al riesgo de UEP, o si hay intervenciones más universales dirigidas a facetas específicas. de los comportamientos en Internet, debe tenerse en cuenta para hacer que los entornos en línea sean menos adictivos. Por ejemplo, las plataformas en línea pueden, en algunos casos, utilizar arquitecturas específicas que aprovechan las vulnerabilidades de los usuarios (es decir, rasgos impulsivos o compulsivos) y cuyo objetivo es maximizar la duración de la estadía de los usuarios en el entorno en línea. Si bien esto tiene sentido desde una perspectiva de marketing, plantea la preocupación de si estos entornos también deberían emitir una advertencia de salud para el usuario.
4.1
Limitaciones
Esta fue una encuesta en línea transversal, por lo tanto, no se pueden establecer relaciones causales. Además, debido a la metodología de reclutamiento y la posible propensión de las personas con UIP a tener más probabilidades de completar una encuesta en línea, es posible que los hallazgos actuales no se generalicen a la UIP en la población general de antecedentes en general. Otra limitación de nuestro estudio es la falta de datos clínicos para algunas entidades diagnósticas asociadas a la UIP, como la depresión o el abuso de sustancias. Por lo tanto, es posible que la depresión o el abuso de sustancias puedan explicar algunas de las asociaciones observadas en nuestro estudio. Los estudios futuros deben incluir una gama más amplia de parámetros clínicos para explorar si esos tienen en cuenta las asociaciones observadas entre la PIU y las actividades de Internet. Existen más limitaciones con respecto a nuestros datos clínicos derivados del uso del MINI; esto está validado para ser entregado por una persona capacitada en una entrevista cara a cara mientras que en nuestro estudio fue entregado a través de una herramienta en línea. Sin embargo, nuestros datos clínicos están de acuerdo con estudios previos en PIU. Además, otra desventaja de nuestra recopilación de datos fue que evaluamos la actividad de Internet utilizando el tiempo dedicado a la actividad como medida indirecta de la PIU de esa actividad. Si bien esto puede capturar un uso excesivo y, por lo tanto, problemático, también puede capturar el uso esencial. Si bien las actividades evaluadas en este estudio a menudo eran, por defecto, no esenciales debido a su naturaleza (por ejemplo, pérdidas de tiempo), o cuando se realizan en exceso (por ejemplo,> 8 h / día de compras, juegos de azar o pornografía), los estudios futuros podrían incluir medidas que puedan diferenciar el uso de Internet esencial del no esencial para cada actividad de Internet, para permitir dichos análisis. Otra limitación de nuestro estudio es la falta de datos para la población infantil y adolescente. Las poblaciones de niños y adolescentes pueden interactuar con Internet de una manera diferente, pero también están expuestas al uso en línea durante una ventana de neurodesarrollo diferente. Por lo tanto, tales diferencias pueden implicar diferentes vulnerabilidades o resiliencia en términos de riesgo para desarrollar PIU. Por ejemplo, la exposición temprana y de bajo nivel al entorno en línea puede tener un efecto de 'inoculación de estrés' (
) que prepara a las personas para el desarrollo futuro de PIU. Si ese es el caso, esto puede explicar aún más por qué las poblaciones mayores que solo tuvieron su primera exposición a los entornos en línea en la edad adulta pueden ser más vulnerables. Los estudios futuros podrían incluir esos grupos de edad de niños y adolescentes y examinar prospectivamente si las actividades específicas de Internet son predictivas de PIU. Desafortunadamente, el número de participantes que informaron sobre el género transgénero fue pequeño (n = 18), lo que no permitió un análisis significativo del efecto del género transgénero. Una limitación final de nuestro estudio es que nuestra población de estudio está formada por adultos sanos que solo en <1% padecen conductas PIU significativas (IAT> 80). Los estudios futuros se beneficiarían de tener un enfoque específico en el extremo superior del espectro de PIU para poder comparar esas poblaciones de PIU graves con un grupo de control de individuos de baja a moderada o sin PIU. Si bien la prevalencia puntual estimada de PIU en nuestra muestra fue de ~ 8.5% (utilizando un valor de corte de IAT ≥ 50), los umbrales para la casuística clínica de PIU siguen siendo controvertidos y la investigación futura se beneficiaría de una medida y definición de PIU universalmente aceptadas.
4.2
Conclusión
Para resumir, DSM-5 destaca el trastorno de los juegos de Internet como un trastorno candidato, pero otros tipos de comportamiento en línea (por ejemplo, compras, pornografía, navegación en general) tienen una relación más fuerte con el uso inadaptado de Internet que con los juegos. Los diagnósticos psiquiátricos y las actividades de Internet asociadas con el uso problemático de Internet varían con la edad, un hallazgo que tiene implicaciones para la salud pública. Estos resultados contribuyen al conocimiento limitado sobre las actividades de Internet asociadas con el uso problemático de Internet y pueden contribuir a la clasificación diagnóstica del uso problemático de Internet como un trastorno multifacético.
Papel de las fuentes de financiación.
Esta investigación recibió fondos del departamento interno del Departamento de Psiquiatría de la Universidad de Chicago. Las actividades de investigación del Dr. Ioannidis están respaldadas por sesiones de especial interés de Health Education East of England Higher Training. Los autores no recibieron fondos para la preparación de este manuscrito. La fuente de financiamiento no desempeñó ningún papel en el diseño, análisis de datos o redacción del estudio.
Colaboradores
KI diseñó la idea para el manuscrito, analizó los datos, escribió la mayor parte del manuscrito y el material complementario y coordinó las contribuciones de los coautores. MT y FK participaron en la concepción y revisión del análisis estadístico. SRC, SR, DJS, CL y JEG diseñaron y coordinaron el estudio y recopilaron y gestionaron los datos. Todos los autores leyeron y aprobaron el manuscrito final y contribuyeron a la redacción y revisión del artículo, así como a la interpretación de los resultados.
Conflicto de intereses
El Dr. Grant ha recibido becas de investigación de NIDA (RC1DA028279-01), el Centro Nacional para el Juego Responsable y Roche y Forest Pharmaceuticals. El Dr. Grant recibe una compensación de Springer como editor en jefe de Journal of Gambling Studies y ha recibido regalías de McGraw Hill, Oxford University Press, Norton y APPI. El Dr. Chamberlain consulta para Cambridge Cognition y su participación en esta investigación fue apoyada por una beca clínica intermedia de Wellcome Trust (Reino Unido; 110049 / Z / 15 / Z). Dan Stein y Christine Lochner están financiados por el Consejo de Investigación Médica de Sudáfrica. Los otros autores no reportan relaciones financieras con intereses comerciales. Ninguna de las fuentes mencionadas tuvo algún papel en el diseño del estudio, la recopilación, el análisis o la interpretación de los datos, la redacción del manuscrito o la decisión de enviar el documento para su publicación.
Aceptación
Estamos en deuda con los voluntarios de ambos sitios que participaron en el estudio.
Apéndice A
Dato suplementario
Material suplementario
Referencias
- Achab et al., 2011. Achab S., Nicolier M., Mauny F., Monnin J., Trojak B., Vandel P., y Haffen E .: Juegos de rol masivos multijugador en línea: comparando características de jugadores reclutados en línea de adicto contra no adicto en un Población adulta francesa. BMC Psychiatry 2011; 11: pp. 144
Ver en el artículo - Asociación Americana de Psiquiatría, 2013. American Psychiatric Association: Manual diagnóstico y estadístico de trastornos mentales: DSM-5. Washington, DC: Asociación Americana de Psiquiatría, 2013.
Ver en el artículo - Andreassen y otros, 2012. Andreassen CS, Torsheim T., Brunborg GS y Pallesen S .: Desarrollo de una escala de adicción a Facebook. Informes psicológicos 2012; 110: pp. 501-517
Ver en el artículo | Cross Ref. - Bakken et al., 2009. Bakken IJ, Wenzel HG, Götestam KG, Johansson A. y Oren A .: Adicción a Internet entre adultos noruegos: un estudio estratificado de muestras probabilísticas. Revista Escandinava de Psicología 2009; 50: pp. 121-127
Ver en el artículo | Cross Ref. - Negro, xnumx. Black DW: Una revisión del desorden de compra compulsiva. World Psychiatry: Diario Oficial de la Asociación Mundial de Psiquiatría (WPA) 2007; 6: pp. 14-18
Ver en el artículo - Block, 2008. Bloque JJ: Problemas para DSM-V: adicción a Internet. American Journal of Psychiatry 2008; 165: pp. 306-307
Ver en el artículo | Cross Ref. - Brand et al., 2011. Brand M., Laier C., Pawlikowski M., Schächtle U., Schöler T. y Altstötter-Gleich C .: Viendo imágenes pornográficas en Internet: el papel de las calificaciones de excitación sexual y los síntomas psicológicos y psiquiátricos para usar sitios web de Internet de manera excesiva . Ciberpsicología, Comportamiento y Redes Sociales 2011; 14: pp. 371-377
Ver en el artículo | Cross Ref. - Breiman, 2001. Breiman L .: Modelización estadística: Las dos culturas. Ciencia Estadística 2001; 16: pp. 199-215
Ver en el artículo - Bujak et al., 2016. Bujak R., Daghir-Wojtkowiak E., Kaliszan R., y Markuszewski MJ: métodos basados en la regularización y en la base de PLS para la selección de variables relevantes en datos de metabolómica no dirigida. Fronteras en biociencias moleculares 2016; 3: pp. 1-10
Ver en el artículo - Burns et al., 1996. Burns GL, Keortge SG, Formea GM y Sternberger LG: Revisión del Inventario de Padua de los síntomas del trastorno obsesivo compulsivo: distinciones entre preocupación, obsesiones y compulsiones. Investigación y Terapia de Conducta 1996; 34: pp. 163-173
Ver en el artículo | Cross Ref. - Cao et al., 2007. Cao F., Su L., Liu T. y Gao X .: La relación entre la impulsividad y la adicción a internet en una muestra de adolescentes chinos. Psiquiatría europea 2007; 22: pp. 466-471
Ver en el artículo | Cross Ref. - Carli et al., 2013. Carli V., Durkee T., Wasserman D., Hadlaczky G., Despalins R., Kramarz E. y Kaess M .: La asociación entre el uso patológico de Internet y la psicopatología comórbida: una revisión sistemática. Psicopatología 2013; 46: pp. 1-13
Ver en el artículo | Cross Ref. - Claes et al., 2016. Claes L., Müller A. y Luyckx K .: Las compras compulsivas y el acaparamiento como sustitutos de la identidad: el papel del respaldo de valor materialista y la depresión. Psiquiatría Integral 2016; 68: pp. 65-71
Ver en el artículo | Cross Ref. - Cole y Hooley, 2013. Cole SH y Hooley JM: correlatos clínicos y de personalidad de los juegos MMO: ansiedad y absorción en el uso problemático de Internet. Social Computer Computer Review 2013; 31: pp. 424-436
Ver en el artículo | Cross Ref. - Cunningham-Williams y otros, 2005. Cunningham-Williams RM, Grucza RA, Cottler LB, Womack SB, Libros SJ, Przybeck TR y Cloninger CR: Prevalencia y factores predictivos del juego patológico: resultados del estudio de personalidad, salud y estilo de vida de San Luis (SLPHL). Revista de Investigación Psiquiátrica 2005; 39: pp. 377-390
Ver en el artículo | Cross Ref. - von Elm et al., 2008. von Elm E., Altman DG, Egger M., Pocock SJ, Gøtzsche PC, Vandenbroucke JP e Initiative S .: El fortalecimiento del informe de estudios observacionales en epidemiología (STROBE) declaración: Pautas para informar estudios observacionales. Revista de Epidemiología Clínica 2008; 61: pp. 344-349
Ver en el artículo | Cross Ref. - Fernández-Villa et al., 2015. Fernández-Villa T., Alguacil Ojeda J., Almaraz Gómez A., Cancela Carral JM, Delgado-Rodríguez M., García-Martín M. y Martín V .: Uso problemático de Internet en estudiantes universitarios: factores asociados y diferencias de género . Adicciones 2015; 27: pp. 265-275
Ver en el artículo | Cross Ref. - Friedman et al., 2010. Friedman J., Hastie T. y Tibshirani R .: Rutas de regularización para modelos lineales generalizados a través del descenso de coordenadas. Diario de software estadístico 2010; 33: pp. 1-22
Ver en el artículo - Griffiths, 2003. Griffiths M .: Apuestas en Internet: problemas, preocupaciones y recomendaciones. Ciberpsicología y comportamiento: el impacto de Internet, multimedia y realidad virtual en el comportamiento y la sociedad 2003; 6: págs.557, 568
Ver en el artículo | Cross Ref. - Ha y Hwang, 2014. Ha Y.-M., y Hwang WJ: Las diferencias de género en la adicción a Internet asociadas con los indicadores de salud psicológica entre los adolescentes que utilizan una encuesta nacional basada en la web. Revista Internacional de Salud Mental y Adicciones 2014; 12: pp. 660-669
Ver en el artículo | Cross Ref. - Ho et al., 2014. Ho RC, Zhang MWB, Tsang TY, Toh AH, Pan F., Lu Y., y Mak K.-K .: La asociación entre la adicción a internet y la comorbilidad psiquiátrica: un metanálisis. BMC Psychiatry 2014; 14: pp. 183
Ver en el artículo - Hoerl y Kennard, 1970. Hoerl AE y Kennard RW: Regresión de cresta: estimación sesgada para problemas no ortogonales. Tecnometría 1970; 12: pp. 55-67
Ver en el artículo - Huys et al., 2016. Huys QJM, Maia TV y Frank MJ: la psiquiatría computacional como un puente de la neurociencia a las aplicaciones clínicas. Nature Neuroscience 2016; 19: pp. 404-413
Ver en el artículo | Cross Ref. - Igarashi et al., 2008. Igarashi T., Motoyoshi T., Takai J. y Yoshida T .: No móviles, no hay vida: la autopercepción y la dependencia de los mensajes de texto entre los estudiantes japoneses de secundaria.
Ver en el artículo - Ioannidis et al., 2016. Ioannid K., Chamberlain SR, Treder MS, Kiraly F., Leppink E., Redden S. y Grant JE: Uso problemático de Internet (PIU): Asociaciones con el espectro impulsivo-compulsivo. Journal of Psych: una aplicación de aprendizaje automático en psiquiatría, 2016.
Ver en el artículo - Janower, 2006. Janower CR: Juegos de azar en Internet. Revista de comunicación mediada por computadora 2006; 2: pp. 0
Ver en el artículo | Cross Ref. - Kessler y otros, 2005. Kessler RC, Adler L., Ames M., Demler O., Faraone S., Hiripi E. y Walters EE: Escala de autoinforme de TDAH en adultos (ASRS) de la Organización Mundial de la Salud: una escala de detección corta para uso en general población. Medicina Psicológica 2005; 35: pp. 245-256
Ver en el artículo | Cross Ref. - Kessler y otros, 2016. Kessler RC, van Loo HM, Wardenaar KJ, Bossarte RM, Brenner LA, Cai T. y Zaslavsky AM: Prueba de un algoritmo de aprendizaje automático para predecir la persistencia y gravedad del trastorno depresivo mayor a partir de los autoinformes de referencia. Psiquiatría Molecular 2016; 21: pp. 1366-1371
Ver en el artículo | Cross Ref. - Khazaal et al., 2015. Khazaal Y., Achab S., Billieux J., Thorens G., Zullino D., Dufour M. y Rothen S .: Estructura factorial de la prueba de adicción a Internet en jugadores en línea y jugadores de póker. JMIR Salud Mental 2015; 2:
Ver en el artículo - Kim et al., 2016. Kim D., Kang M., Biswas A., Liu C. y Gao J .: Enfoque integrador para la inferencia de redes reguladoras de genes que utilizan la presentación aleatoria basada en lazo y la aplicación a trastornos psiquiátricos. BMC Medical Genomics 2016; 9: pp. 50
Ver en el artículo - Rey, 1999. King SA: Apuestas en Internet y pornografía: ejemplos ilustrativos de las consecuencias psicológicas de la anarquía comunicativa. Cyberpsychology & Behavior 1999; 2: págs.175-193
Ver en el artículo - Rey y Barak, 1999. King SA y Barak A .: Apuestas compulsivas por Internet. Cyberpsychology & Behavior 1999; 2: págs. 441-456
Ver en el artículo | Cross Ref. - Király et al., 2015. Király O., Griffiths MD y Demetrovics Z .: El trastorno de los juegos de Internet y el DSM-5: conceptualización, debates y controversias. Informes de adicciones actuales 2015; 2: pp. 254-262
Ver en el artículo - Király et al., 2014. Király O., Griffiths MD, Urbán R., Farkas J., Kökönyei G., Elekes Z. y Demetrovics Z .: El uso problemático de Internet y los juegos en línea problemáticos no son lo mismo: hallazgos de una gran muestra de adolescentes representativa a nivel nacional. Ciberpsicología, Comportamiento y Redes Sociales 2014; 17: pp. 749-754
Ver en el artículo - Kittinger et al., 2012. Kittinger R., Correia CJ y Irons JG: relación entre el uso de Facebook y el uso problemático de Internet entre los estudiantes universitarios. Ciberpsicología, Comportamiento y Redes Sociales 2012; 15: pp. 324-327
Ver en el artículo | Cross Ref. - Ko et al., 2012. Ko C.-H., Yen J.-Y., Yen C.-F., Chen C.-S. y Chen C.-C .: La asociación entre la adicción a Internet y el trastorno psiquiátrico: una revisión de la literatura . Psiquiatría europea 2012; 27: pp. 1-8
Ver en el artículo - Ko et al., 2007. Ko C.-H., Yen J.-Y., Yen C.-F., Lin H.-C. y Yang M.-J .: Factores predictivos de la incidencia y remisión de la adicción a Internet en adolescentes jóvenes: A estudio prospectivo. Ciberpsicología y comportamiento: el impacto de Internet, multimedia y realidad virtual en el comportamiento y la sociedad 2007; 10: págs. 545-551
Ver en el artículo | Cross Ref. - Kuss y Griffiths, 2011. Kuss DJ y Griffiths MD: redes sociales en línea y adicción: una revisión de la literatura psicológica. Revista Internacional de Investigación Ambiental y Salud Pública 2011; 8: pp. 3528-3552
Ver en el artículo | Cross Ref. - Kuss et al., 2013. Kuss DJ, Griffiths MD y Binder JF: adicción a Internet en estudiantes: prevalencia y factores de riesgo. Computadoras en Comportamiento Humano 2013; 29: pp. 959-966
Ver en el artículo | Cross Ref. - Kuss y López-Fernández, 2016. Kuss DJ y Lopez-Fernandez O .: Adicción a Internet y uso problemático de Internet: una revisión sistemática de la investigación clínica. Revista Mundial de Psiquiatría 2016; 6: pp. 143-176
Ver en el artículo | Cross Ref. - Laconi et al., 2016. Laconi S., Andréoletti A., Chauchard E., Rodgers RF y Chabrol H .: Uso problemático de Internet, tiempo pasado en línea y rasgos de personalidad. L'Encéphale 2016; 42: págs.214, 218
Ver en el artículo | Cross Ref. - Laconi et al., 2014. Laconi S., Rodgers RF y Chabrol H .: La medida de la adicción a Internet: una revisión crítica de las escalas existentes y sus propiedades psicométricas. Computadoras en Comportamiento Humano 2014; 41: pp. 190-202
Ver en el artículo | Cross Ref. - Laier et al., 2013. Laier C., Pawlikowski M., Pekal J., Schulte FP y Brand M .: Adicción al cibersexo: la excitación sexual experimentada cuando se mira pornografía y no los contactos sexuales de la vida real marca la diferencia. Diario de Adicciones al Comportamiento 2013; 2: pp. 100-107
Ver en el artículo | Cross Ref. - Lecardeur, 2013. Lecardeur L .: Psychopathologie du jeu multi-joueurs en ligne. Annales Médico-Psychologiques, Revue Psychiatrique 2013; 171: pp. 579-586
Ver en el artículo | Cross Ref. - Liang et al., 2016. Liang L., Zhou D., Yuan C., Shao A. y Bian Y .: Las diferencias de género en la relación entre la adicción a Internet y la depresión: un estudio con retraso en adolescentes chinos. Computadoras en Comportamiento Humano 2016; 63: pp. 463-470
Ver en el artículo | Cross Ref. - López-Fernández, 2015. López-Fernández O .: ¿Cómo ha evolucionado la investigación de la adicción a Internet desde la aparición del trastorno de los juegos de Internet? Una visión general de las ciberadicciones desde una perspectiva psicológica. Informes de adicciones actuales 2015; 2: pp. 263-271
Ver en el artículo | Cross Ref. - Masten y Tellegen, 2012. Masten AS, y Tellegen A .: Resiliencia en psicopatología del desarrollo: contribuciones del estudio longitudinal de competencias del proyecto. Desarrollo y Psicopatología 2012; 24: pp. 345-361
Ver en el artículo | Cross Ref. - Mueller et al., 2010. Mueller A., Mitchell JE, Crosby RD, Gefeller O., Faber RJ, Martin A. y de Zwaan M .: Prevalencia estimada de la compra compulsiva en Alemania y su asociación con características sociodemográficas y síntomas depresivos. Investigación en psiquiatría 2010; 180: pp. 137-142
Ver en el artículo | Cross Ref. - Patton et al., 1995. Patton JH, Stanford MS y Barratt ES: estructura factorial de la escala de impulsividad de Barratt. Revista de Psicología Clínica 1995; 51: pp. 768-774
Ver en el artículo | Recupero, 2008. Recupero PR: Evaluación forense de uso problemático de internet. El Diario de la Academia Americana de Psiquiatría y la Ley 2008; 36: pp. 505-514
Ver en el artículo - Rose y Dhandayudham, 2014. Rose S., y Dhandayudham A .: Hacia una comprensión del comportamiento de las compras problemáticas basadas en Internet: el concepto de adicción a las compras en línea y sus predictores propuestos. Diario de Adicciones al Comportamiento 2014; 3: pp. 83-89
Ver en el artículo | Cross Ref. - Rutland et al., 2007. Rutland JB, Sheets T. y Young T .: Desarrollo de una escala para medir el uso de problemas del servicio de mensajes cortos: el cuestionario de diagnóstico del uso de problemas de SMS. Cyberpsychology & Behavior 2007; 10: págs. 841-844
Ver en el artículo | Cross Ref. - Rutter, 1993. Rutter M .: Resiliencia: Algunas consideraciones conceptuales. The Journal of Adolescent Health: publicación oficial de la Society for Adolescent Medicine 1993; 14: pp. 626-631
Ver en el artículo | Cross Ref. - Shaw y Negro, 2008. Shaw M. y Black DW: adicción a Internet: definición, evaluación, epidemiología y manejo clínico. Medicamentos para el SNC 2008; 22: pp. 353-365
Ver en el artículo | Cross Ref. - Sheehan y otros, 1998. Sheehan DV, Lecrubier Y., Sheehan KH, Amorim P., Janavs J., Weiller E. y Dunbar GC: la Mini-Entrevista Neuropsiquiátrica Internacional (MINI): El desarrollo y la validación de una entrevista psiquiátrica de diagnóstico estructurado para DSM-IV y ICD-10. La revista de psiquiatría clínica 1998; 59:
Ver en el artículo - Tam y Walter, 2013. Tam P., y Walter G .: Uso problemático de Internet en la infancia y la juventud: Evolución de una aflicción del siglo 21st. Psiquiatría de Australasia 2013; indefinido
Ver en el artículo - Tibshirani, 1996. Tibshirani R .: Regresión contracción y selección a través del lazo. Revista de la Royal Statistical Society, serie B 1996; 58: pp. 267-288
Ver en el artículo - Tikhonov, 1963. Tikhonov AN: Solución de problemas formulados incorrectamente y el método de regularización. Matemáticas soviéticas Doklady 1963; 5: pp. 1035-1038
Ver en el artículo - Trotzke et al., 2015. Trotzke P., Starcke K., Müller A. y Brand M .: Compra patológica en línea como una forma específica de adicción a Internet: una investigación experimental basada en modelos. PLoS One 2015; 10:
Ver en el artículo - Tsai et al., 2009. Tsai HF, Cheng SH, Yeh TL, Shih C.-C., Chen KC, Yang YC y Yang YK: ¿Los factores de riesgo de la adicción a Internet? Una encuesta de estudiantes universitarios de primer año. Investigación en psiquiatría 2009; 167: pp. 294-299
Ver en el artículo | Cross Ref. - Wallace, 2014. Wallace P .: Trastorno de adicción a Internet y juventud: Existe una creciente preocupación sobre la actividad compulsiva en línea y que esto podría obstaculizar el desempeño y la vida social de los estudiantes. Informes EMBO 2014; 15: págs.12-16
Ver en el artículo | Cross Ref. - Xin et al., 2018. Xin M., Xing J., Pengfei W., Houru L., Mengcheng W. y Hong Z .: Actividades en línea, prevalencia de adicción a internet y factores de riesgo relacionados con la familia y la escuela entre adolescentes en China. Comportamientos Adictivos Informes 2018; 7: pp. 14-18
Ver en el artículo | Cross Ref. - Yuen et al., 2004. Yuen CN, Lavin MJ, Weinman M. y Kozak K .: Dependencia de Internet en la población universitaria: el papel de la timidez. Cyberpsychology & Behavior 2004; 7: págs.379-383
Ver en el artículo | Cross Ref. - Joven, xnumx. Young KS: Adicción a Internet: la aparición de un nuevo trastorno clínico. CyberPsychology & Behavior 1998; 1: págs.237, 244
Ver en el artículo | Cross Ref.
;
