Cambios dependientes de la frecuencia en la amplitud de las fluctuaciones de baja frecuencia en el trastorno de los juegos de Internet (2015)

Frente Psychol. 2015; 6: 1471.

Publicado en línea 2015 Sep 28. doi 10.3389 / fpsyg.2015.01471

PMCID: PMC4585012

Xiao Lin,^1,² Xize Jia,^3,⁴ Yu-Feng Zang,^3,⁴ y Guangheng Dong^1,^5,^*

Información del autor ► Notas del artículo ► Información de copyright y licencia ►

Resumen

Los estudios de neuroimagen han revelado que las actividades cerebrales funcionales relacionadas con la tarea están alteradas en sujetos con trastornos de los juegos de Internet (IGD). Sin embargo, poco se sabe acerca de las alternancias en las actividades cerebrales espontáneas sobre ellos. Estudios recientes han propuesto que las actividades cerebrales de diferentes rangos de frecuencia son generadas por diferentes actividades nerviosas y tienen diferentes funciones fisiológicas y psicológicas. Por lo tanto, en este estudio, nos propusimos explorar las actividades cerebrales espontáneas en sujetos con IGD midiendo la amplitud fraccional de la fluctuación de baja frecuencia (FALFF), para investigar los cambios específicos de la banda del fALFF en estado de reposo. Subdividimos el rango de frecuencia en cinco bandas basadas en literaturas.

En comparación con los controles sanos, el grupo con IGD mostró valores de FALFF disminuidos en el lóbulo posterior del cerebelo y valores de FALFF aumentados en el giro temporal superior. Se encontraron interacciones significativas entre las bandas de frecuencia y los grupos en el cerebelo, el cingulado anterior, el giro lingual, el giro temporal medio y el giro frontal medio. Dichas regiones cerebrales están probadas relacionadas con la función ejecutiva y la toma de decisiones. Estos resultados revelaron el cambio en la actividad cerebral espontánea de la IGD, lo que contribuyó a comprender la fisiopatología subyacente de la IGD.

Palabras clave: trastorno de los juegos en Internet, imágenes de resonancia magnética funcional en estado de reposo, amplitud de fluctuación de baja frecuencia

Introducción

El trastorno de adicción a Internet (DIA) se ha definido como la incapacidad del individuo para controlar el uso excesivo de Internet, incluso frente a las consecuencias negativas para los aspectos del funcionamiento psicológico (Joven, xnumx; Fitzpatrick, 2008; Tao et al., 2008; Flisher, 2010). Se ha propuesto como una "adicción conductual" de acuerdo con sus efectos negativos en la salud mental social (Kuss y Griffiths, 2012). Sin embargo, poco se sabe sobre el mecanismo de IAD, y no se ha formado una definición uniforme de IAD y el Manual de diagnóstico y estadístico 4 (DSM-4) no incluyó este trastorno de comportamiento (Block, 2008). Junto con la rápida propagación de la DAI, el DSM-5 se desarrolla para el trastorno de los juegos de Internet (IGD) basado en la definición de trastornos por uso de sustancias y adicciones (Frances y Widiger, 2012; Asociación Americana de Psiquiatría, 2013; Petry y O'Brien, 2013; Petry et al., 2014).

Hay muchos tipos diferentes de IAD debido a las diversas funciones de Internet. En general, la DIA consta de tres subtipos: IGD, pornografía por Internet y correo electrónico (Block, 2007). Considerando la definición de adicción, todas estas categorías de DIA comparten cuatro características definitorias: uso excesivo, abstinencia, tolerancia y repercusiones negativas (Barba y lobo, 2001; Block, 2008; Tao et al., 2010). Como la forma más frecuente de DAI (Dong et al., 2012a), IGD puede compartir características neuropsicológicas específicas con otras adicciones de comportamiento, como el juego patológico (Griffiths, 2005; Grant et al., 2010; Dong et al., 2012b; Han et al., 2012; Dong y Potenza, 2014).

Numerosos estudios de imagen han investigado las características de la IGD utilizando diferentes tareas (Fowler y otros, 2007; Dong et al., 2011a, 2012b; Han et al., 2011a; Xu, 2013), pero es difícil comparar los datos obtenidos de diferentes paradigmas experimentales y sacar conclusiones clínicamente útiles de diferentes tareas cognitivas (Zang et al., 2007a). Los estudios de IRMf en estado de reposo han revelado algunas anomalías de la activación cerebral en la IGD (encuentre más descripciones en una revisión de Weinstein y Lejoyeux (2015). Los sujetos con IGD tienen mayor impulsividad, que es un síntoma típico de la adicción a las drogas; este síntoma está relacionado con la disminución de la activación del giro cingulado, que implica el control cognitivo (Dong et al., 2012a). Un estudio de resonancia magnética funcional también mostró una mayor homogeneidad regional (ReHo) en el tronco del encéfalo, el lóbulo parietal inferior, el cerebelo posterior izquierdo y el giro frontal medio izquierdo que están relacionados con la coordinación sensomotora que podría ser relevante para el movimiento de los dedos de los juegos de Internet (Dong et al., 2012c).

La IRMf en estado de reposo se ha desarrollado como una nueva técnica desde el estudio de Biswal (Biswal et al., 1995). Primero informaron las fluctuaciones espontáneas de baja frecuencia altamente sincronizadas (0.01 – 0.08 Hz) en la señal BOLD entre las cortezas motoras, concluyendo que la amplitud de la fluctuación de baja frecuencia (ALFF) era un indicador neurofisiológico (Biswal et al., 1995). Sobre la base de ALFF, Zang et al. (2007b) promovió otra herramienta para representar la actividad cerebral local: la amplitud fraccional de la fluctuación de baja frecuencia (fALFF), que podría detectar la intensidad regional de las fluctuaciones espontáneas en la señal BOLD (Zou et al., 2008; Zuo et al., 2010). Recientemente, el fALFF se usó ampliamente en los estudios de pacientes con trastornos mentales, como la depresión (Guo et al., 2013), esquizofrenia (Bluhm et al., 2007), desorden hiperactivo y deficit de atencion (Zang et al., 2007b), IGD (Yuan et al., 2013), y así. Todavía no está claro si las anomalías en la actividad cerebral de la DAG están relacionadas con bandas de frecuencia específicas. Es importante detectar las fluctuaciones espontáneas del cerebro a una frecuencia específica más que una banda de frecuencia amplia. Hay muchas oscilaciones diversas en el cerebro, cuyas frecuencias van desde oscilaciones muy lentas con periodos de decenas de segundos hasta oscilaciones muy rápidas con frecuencias que exceden 1000 Hz (Bullock, 1997). Buzsáki y Draguhn (2004) propuso una 'clase de oscilación' que contiene bandas de frecuencia 10 que se extienden desde 0.02 a 600 Hz (Penttonen y Buzsáki, 2003). Y Zuo et al. (2010) investigó el FALFF en cuatro bandas de frecuencia y encontró que las oscilaciones están vinculadas con procesos neuronales específicos (Buzsáki y Draguhn, 2004; Knyazev, 2007). Encontraron que las amplitudes de oscilaciones (0.01 – 0.027 Hz) a baja frecuencia eran más robustas en las estructuras corticales y las altas frecuencias eran más robustas en las estructuras subcorticales, como los ganglios basales. Los estudios han revelado que los pacientes con esquizofrenia tenían anomalías particulares de amplitudes de oscilaciones en la banda de frecuencia de 4 lenta (Yu et al., 2014). Han et al. (2011b) También demostró que las anomalías de la función cerebral en pacientes con deterioro cognitivo leve amnésico expusieron diferentes patrones de activación en diferentes bandas de frecuencia.

En el presente estudio, recopilamos los valores FALFF de la frecuencia en 0 – 0.25, incluidas seis bandas de frecuencia de 0 – 0.01 Hz, 0.01 – 0.027 Hz, 0.027 – 0.073 Hz, 0.073 – 0.198 Hz y 0.198 – 0.25 Hz en IGD, Según las "clases de oscilación" de Buzsáki. Intentamos comparar el valor de fALFF entre IGD y HC en diferentes bandas y abordar dos cuestiones: primero, si los sujetos con IGD muestran amplitudes anormales de fALFF cuando se comparan con controles sanos; segundo, si las anomalías de la IGD están asociadas con bandas de frecuencia específicas.

Materiales y Métodos

Selección de participantes

El experimento se ajusta al Código de Ética de la Asociación Médica Mundial (Declaración de Helsinki) y está aprobado por el Comité de Investigaciones Humanas de la Universidad Normal de Zhejiang. Cincuenta y dos estudiantes universitarios fueron reclutados a través de anuncios [26 IGD, 26 healthy control (HC)]. Eran todos varones diestros. Los grupos IGD y HC no difirieron significativamente en edad (IGD: N = 26, 22.2 ± 3.13 años; HC: N = 26, 22.28 ± 2.54 años; t(50) = 0.1, p = 0.9). Debido a la mayor proporción de IGD entre los hombres, solo se incluyeron los hombres. Los participantes debían firmar el consentimiento informado y todos los participantes pasaron por entrevistas psiquiátricas estructuradas (MINI) (Lecrubier et al., 1997) realizado por un psiquiatra experimentado con un tiempo de administración de aproximadamente 15 mín. Todos los participantes estaban libres de trastornos psiquiátricos del Eje I enumerados en MINI. Todos los participantes no cumplieron con los criterios del DSM-4 para el abuso o la dependencia de drogas, incluido el alcohol, aunque todos los participantes con IGD y HC informaron que consumieron alcohol en su vida. Todos los participantes recibieron instrucciones de no usar ninguna sustancia, incluido el café o el té, el día del escaneo. Ningún participante reportó daños cerebrales o experiencia previa con drogas ilícitas (por ejemplo, cocaína, marihuana).

El diagnóstico de IGD se determinó según los puntajes de 50 o superiores en la prueba de adicción a Internet en línea de Young (Joven, xnumx). Como adicción al comportamiento especial, la definición operativa y los estándares de diagnóstico para IGD aún son inconsistentes. En el presente estudio, el grupo de IGD estaba compuesto por individuos que cumplían con los criterios generales de IAD (puntuaciones superiores a 50 en el IAT) y reportaron "pasar la mayor parte de su tiempo en línea jugando juegos en línea (> 80%)" (Blaszczynski, 2008; Weng et al., 2013). La puntuación IAT del grupo IGD (72 ± 11.7) fue mucho más alta que los controles sanos [29 ± 10.4), t(50) = 14, p = 0.000].

Adquisición de Datos

Después de la exploración del localizador convencional, las imágenes ponderadas de T1 se obtuvieron con una secuencia de recuperación de gradiente degradada [TR = 240 ms; tiempo de eco (TE) = 2.46 ms; ángulo de giro (FA) = 90 °; campo de visión (FOV) = 220 ~ 220 mm²; matriz de datos = 256 ~ 256]. Luego, se adquirieron imágenes funcionales en estado de reposo usando una secuencia de imágenes eco planar (TR = 2000 ms; TE = 30 ms; FA = 90 °; FOV = 220 ~ 220 mm²; matriz de datos = 64 ~ 64) con cortes axiales 33 (grosor de corte = 3 mm y espacio de corte = 1 mm, volúmenes totales = 210) en una serie de 7 mín. Los sujetos debían permanecer quietos y no pensar en nada sistemáticamente durante el escaneo. Al final de la adquisición de datos, todos los sujetos confirmaron que permanecieron despiertos durante todo el período de exploración.

Preprocesamiento de datos y cálculo de FALFF

Todo el procesamiento de imagen funcional se realizó con el Asistente de procesamiento de datos para fMRI en estado de reposo [DPARSF (Yan y Zang, 2010)^¹] software. Para cada participante, los primeros puntos de tiempo 10 se excluyeron de un análisis posterior, que consiste en evitar cambios de señal transitorios antes de que la magnetización alcance un estado estable y permitir que los sujetos se acostumbren al entorno de escaneo fMRI. Los volúmenes cerebrales 200 restantes se corrigieron para el tiempo de corte y se alinearon para la corrección del movimiento de la cabeza. Sólo se incluyeron participantes con movimientos de cabeza inferiores a 1.5 mm en la dirección x, y o z y menos de rotación de 2 en cada eje. Los sujetos 26 HC y 26 IGD fueron válidos en el presente estudio. Luego, todas las imágenes realineadas se normalizaron espacialmente, y luego se volvieron a muestrear a vóxeles isotrópicos de 3 mm y se suavizaron espacialmente (ancho total a la mitad máxima = 6 mm), y se eliminó la tendencia lineal. Después del preprocesamiento, se calculó fALFF utilizando DPARSF. Brevemente, para un vóxel dado, la serie de tiempo se convirtió primero al dominio de frecuencia utilizando una "transformada rápida de Fourier". La raíz cuadrada del espectro de potencia se calculó y luego se promedió a través de un intervalo de frecuencia predefinido. Esta raíz cuadrada promediada se denominó FALFF en el vóxel dado de las bandas de frecuencia predefinidas (Zang et al., 2007a). Dividimos el rango de frecuencia completo (0 – 0.25 Hz) en cinco subbandas: slow-6 (0 – 0.01 Hz), slow-5 (0.01 – 0.027 Hz), slow-4 (0.027 – 0.073 Hz), slow 3 (0.073 – 0.198 Hz) y lento-2 (0.198 – 0.25 Hz) (35, 46, 30), y el fALFF calculado de cada banda de frecuencia.

Análisis estadístico

Se realizó un análisis de varianza (ANOVA) de medidas repetidas de dos vías (grupo y banda de frecuencia) en una base de vóxel a vóxel con el grupo (IGD y HC) como un factor entre sujetos y una banda de frecuencia (2 lento, 3 lento, 4 lento, 5 lento, 6 lento como medidas repetidas. También calculamos el análisis de correlación basado en ROI siguiendo el efecto principal significativo y la interacción entre la gravedad de la IGD y los valores de fALFF, y seleccionamos los valores de fALFF de bandas específicas.

Resultados

Los principales efectos del ANOVA de medidas repetidas de dos vías se mostraron en Figura Figura11, Mesas Tablas11 y 22. Utilizamos la corrección de Alphasim para las comparaciones múltiples en los datos de imágenes. El corregido p <0.05 corresponde a una combinación de sin corregir p <0.05 y tamaño de racimo> 248 mm³). El análisis de correlación basado en el ROI se llevó a cabo entre los valores de fALFF y la gravedad de la IGD (puntuaciones de IAT). El cerebelo mostró una correlación negativa significativa con la gravedad de la IGD (lento-4: r =-0.487, p = 0.000; lento-5: r =-0.485, p = 0.000; ver Figura Figura2C2C). La coordenada de ROI fue definida por el pico de activación del cluster sobrevivido. El radio de ROI es 4 mm, y está hecho por el software REST^².

FIGURA 1

(A) El principal efecto para el grupo sobre la amplitud de la fluctuación de baja frecuencia (ALFF). Regiones del cerebro en las que la amplitud fraccional de la fluctuación de baja frecuencia (FALFF) es diferente entre el trastorno de los juegos de Internet (IGD) y los controles sanos. Los temas del IGD ...

Regiones del cerebro con un efecto principal de grupo.

Regiones del cerebro con efecto de interacción entre grupo y frecuencia.

FIGURA 2

Los valores de ALFF en el giro temporal superior y el cerebelo. El rectángulo rojo y azul representaba sujetos IGD y controles sanos, respectivamente. La banda de frecuencia completa (0 – 0.25 Hz) se dividió en cinco bandas. Se mostraron en (A, B) ...

Se observaron interacciones significativas entre la banda de frecuencia y el grupo en el cerebelo, el cingulado anterior, el giro lingual, el giro temporal medio y el giro frontal medio. El giro frontal medio mostró valores de amplitud aumentados y el giro temporal medio mostró valores de amplitud disminuidos en IGD. Además, los análisis basados en el ROI presentaron una alteración dinámica de FALFF en el cerebelo y el giro lingual junto con la adaptación de frecuencia (ver Figura Figura33). En IGD, el cerebelo mostró valores de amplitud disminuidos en el reino de frecuencia más alta (2 lento, 3 lento, 4 lento) y valores de amplitud aumentados en el reino de frecuencia más baja (6 lento, vea Figura Figura3A3A). A la inversa, el giro lingual mostró valores de amplitud aumentados en el reino de frecuencia más alta (2 lento, 3 lento) y valores de amplitud disminuidos en el reino de frecuencia más baja (6 lento), consulte Figura Figura3B3B). Estas dos regiones compartieron un punto de transición en la banda de 5 lento para la alteración de la amplitud.

FIGURA 3

Patrón inverso en el cerebelo y el giro lingual en diferentes bandas en IGD. El rectángulo rojo y azul representaba sujetos IGD y controles sanos, respectivamente. La banda de frecuencia completa (0 – 0.25 Hz) se dividió en cinco bandas. Fueron mostrados ...

Discusión

El presente estudio investigó la actividad cerebral espontánea anormal en IGD con el fALFF en diferentes bandas de frecuencia. El efecto del grupo principal reveló que la IGD demostró valores más bajos de FALFF en el giro temporal superior y valores más altos de fALFF en el cerebelo. Presentamos las amplitudes de fluctuación BOLD en todas las bandas de frecuencia (0 – 0.25 Hz) y encontramos un patrón inverso de cambios en el reino de la frecuencia en el cerebelo y el giro lingual en la IGD. Estos hallazgos proporcionan una visión completa de los análisis de FALFF en el dominio de la frecuencia y enfatizan la importancia de la selección de la frecuencia específica para detectar trastornos mentales relacionados con anomalías.

FALFF diferente en cortical entre IGD y HC (el efecto principal del grupo)

Literaturas anteriores creían que la señal de 2 lento refleja una desviación de muy baja frecuencia, y el 6 lento refleja ruidos fisiológicos de alta frecuencia (Zang et al., 2007a; Xu, 2013). El análisis del efecto principal del grupo se centró en la actividad neuronal espontánea en bandas de frecuencia específicas (lento-4 y lento-5) en IGD. El efecto principal del grupo reveló que la IGD mostró valores más bajos de FALFF en 4 lento y 5 lento en cerebelo. En el presente estudio se encontró una correlación negativa entre los valores de FALFF en el cerebelo y la gravedad de la IGD. El cerebelo se clasifica comúnmente como una estructura motora cuya función no se limita a la coordinación o al equilibrio del movimiento y también desempeña un papel importante en los procesos cognitivos superiores (De Zeeuw et al., 2011; Stoodley et al., 2012). La evidencia de los estudios de imagen anatómica, fisiológica y funcional ha demostrado que las personas con lesiones en el cerebelo mostraron deficiencia de las funciones ejecutivas cognitivas y la memoria de trabajo (Raymond et al., 1996; De Smet et al., 2013). Recibe información de los sistemas sensoriales y otras áreas del cerebro, e integra estas entradas para ajustar la actividad motora (Doyon et al., 2003; Ito, 2006; Yuan et al., 2011). El papel potencial del cerebelo en la adicción se abordó en un artículo reciente, que proponía que el cerebelo es un centro de regulación potencial que se ve afectado por la adicción (Moulton et al., 2013). Las literaturas han demostrado que los sujetos con IGD están asociados con ReHo mayor a lo normal (Liu et al., 2010; Dong et al., 2012c) y conectividad funcional (Ding et al., 2013) sobre el cerebelo. En el presente estudio, se observó una correlación negativa entre los valores de FALFF en el cerebelo y la gravedad de la IGD (ver Figura Figura2C2C), que también apoya que la actividad neuronal espontánea anormal en el cerebelo está relacionada con el comportamiento inadecuado de la IGD.

Los valores FALFF fueron mayores en la circunvolución temporal superior en la IGD. Un estudio previo mostró que la IGD, en comparación con la HC, mostraba una disminución de la conectividad funcional en el área temporal (Ding et al., 2013). Nuestro estudio anterior descubrió una disminución de ReHo en el giro temporal inferior, e inferimos que podría ser el resultado de una larga duración de juego (Dong et al., 2012c). Los hallazgos actuales son parcialmente inconsistentes con el estudio anterior, por lo que presentamos la hipótesis de que el aumento de FALFF en la circunvolución temporal superior puede reflejar un mayor nivel de actividad cerebral que se correlaciona con la flexibilidad del movimiento en la IGD, pero la función de esta área necesita un estudio adicional.

Cambios de amplitud dependientes de la frecuencia en IGD

Los efectos de interacción entre los grupos y las bandas de frecuencia se observaron en el cerebelo, el giro cingulado anterior, el giro lingual, el giro temporal medio y el giro frontal medio.

Valores FALFF más altos en la circunvolución frontal media en IGD

En el presente estudio, los participantes con IGD mostraron valores de FALFF más altos en el giro frontal medio izquierdo en diferentes bandas. El giro frontal medio desempeña un papel importante en la coordinación de diferentes sistemas, como el aprendizaje y la memoria, que están fuertemente relacionados con las operaciones mentales (Cardenal, xnumx). En un estudio anterior, llegamos a la conclusión de que los sujetos con IGD muestran una sincronización mejorada en las regiones cerebrales relacionadas con la coordinación sensomotora (Van Rooij et al., 2011): El juego en línea requiere que los jugadores integren varios sistemas, incluido el sistema sensorial, el control motor, las coordenadas motoras y el sistema de procesamiento de información (Ito, 2006). Los hallazgos actuales también apoyan este supuesto. Este resultado también es consistente con el estudio de Liu (Liu et al., 2010), que encontró que los sujetos con IGD mostraron un aumento significativo en los valores de ReHo en el giro frontal medio izquierdo. Entonces, llegamos a la conclusión de que los participantes con IGD mostraron valores de FALFF más altos en el giro frontal medio izquierdo, lo que podría asociarse con la capacidad de coordenadas sensorial-motor mejorada.

La anormalidad en el giro cingulado anterior en la IGD

Encontramos FALFF más bajo en Gyrus cingulado anterior en slow-6. La región cingulada anterior se ha implicado en la inhibición, el control y el monitoreo de conflictos (Paus, 2001; Goldstein et al., 2007) y las anomalías se han mencionado en estudios de IGD anteriores (Liu et al., 2010; Moulton et al., 2013). Como se mencionó en la introducción, los valores FALFF más bajos pueden relacionarse con una capacidad de coordinación disminuida de la actividad neuronal a larga distancia. Este supuesto está respaldado por estudios en este campo: con un enfoque de conectividad funcional. Hong et al. (2013) Se reportó una conectividad funcional reducida entre ACC y PFC en IAD. Jiang et al. (2011) han propuesto que las actividades más bajas en el ACC pueden reflejar la actividad neuronal espontánea disminuida anormal en esta región y un déficit funcional. Otros estudios relacionados con tareas han demostrado este punto que la IGD siempre se acompaña de disfunciones cognitivas, como la deficiencia de la función cognitiva (Dong et al., 2010, 2011b). Así que creemos que la anomalía en el ACC está relacionada con las disfunciones cognitivas de la IGD.

Patrón inverso en Cerebellum y el giro lingual en diferentes bandas en IGD

Es importante tener en cuenta que las anomalías de la actividad neuronal espontánea en la IGD dependen de bandas de frecuencia específicas, especialmente en el cerebelo y el giro lingual. Comparando con el HC, el IGD mostró una amplitud disminuida en las bandas de frecuencia más baja (4 lento, 5 lento, 6 lento) y amplitud aumentada en las bandas de frecuencia más altas (2 lento, 3 lento) en el giro lingual. Por el contrario, el IGD mostró una amplitud aumentada en las bandas de frecuencia más bajas (6 lento) y una amplitud reducida en las bandas más altas (2 lento, 3 lento, 4 lento) en el cerebelo (Figuras 2A, B). Se ha revelado que diferentes bandas oscilatorias se desarrollan mediante diferentes mecanismos y tienen diferentes funciones fisiológicas (Bullock, 1997; Yuan et al., 2013). Como estudios anteriores han demostrado que las fluctuaciones de frecuencia más bajas poseen un poder de mayor magnitud y las fluctuaciones de frecuencia más altas tienen un poder de menor magnitud (Baria et al., 2011; Yuan et al., 2013). Los hallazgos actuales podrían sugerir que la IGD ha aumentado la capacidad de coordinación de la actividad neuronal a larga distancia en el cerebelo y en el giro lingual. Este supuesto puede apoyarse en un estudio previo que informó que los sujetos con IGD mostraron una conectividad funcional incrementada en el cerebelo bilateral (Liu et al., 2010; Ko, 2014), y otro estudio ha detectado déficits de densidad de materia gris en el giro lingual que pueden relacionarse con la actividad neuronal a larga distancia (Weng et al., 2013).

Conclusión

Los hallazgos del presente estudio sugirieron que los sujetos IGD mostraban fALFF anormal en muchas regiones del cerebro, incluido el cerebelo (IGD <HC) y la circunvolución temporal superior (IGD> HC). El presente estudio puede ayudar a comprender la fisiopatología de IGD y el análisis de amplitud de frecuencia completa puede ayudar potencialmente a seleccionar un rango de frecuencia específico para detectar actividades cerebrales relacionadas con IGD.

Contribuciones de autor

XL analizó los datos, escribió el primer borrador del manuscrito; XJ contribuyó al análisis de datos, Y-FZ contribuyó a la orientación de los métodos experimentales y mejoró el manuscrito. GD diseñó esta investigación, revisó y mejoró el manuscrito. Todos los autores contribuyeron y han aprobado el manuscrito final.

Declaracion de conflicto de interes

Los autores declaran que la investigación se llevó a cabo en ausencia de cualquier relación comercial o financiera que pudiera interpretarse como un posible conflicto de intereses.

AGRADECIMIENTOS

Esta investigación fue apoyada por la Fundación Nacional de Ciencia de China (31371023). El Dr. Zang cuenta con el apoyo del programa "Qian Jiang Distinguished Professor".

Fondos. Los financiadores no tuvieron ningún papel en el diseño del estudio, la recopilación y el análisis de datos, la decisión de publicar o la preparación del manuscrito.

¹http://www.restfmri.net

²www.restfmri.net

Referencias

Asociación Americana de Psiquiatría (2013). Asociación Americana de Psiquiatría. Manual Diagnóstico y Estadístico de los Trastornos Mentales, 5th Edn. Arlington, TX: Asociación Americana de Psiquiatría
Baria AT, Baliki MN, Parrish T., Apkarian AV (2011). Ensamblajes anatómicos y funcionales de oscilaciones cerebrales BOLD. J. Neurosci. 31 7910 – 7919. 10.1523 / JNEUROSCI.1296-11.2011 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Barba KW, Lobo EM (2001). Modificación en los criterios diagnósticos propuestos para la adicción a internet. Cyber Psychol. Behav. 4 377 – 383. 10.1089 / 109493101300210286 [PubMed] [Cross Ref.]
Biswal B., Yetkin FZ, Haughton VM, Hyde JS (1995). Conectividad funcional en la corteza motora del cerebro humano en reposo mediante resonancia magnética eco-planar. Magn. Reson. Medicina. 34 537 – 541. 10.1002 / mrm.1910340409 [PubMed] [Cross Ref.]
Blaszczynski A. (2008). Comentario: una respuesta a "Problemas con el concepto de videojuego" adicción ": algunos ejemplos de casos de estudio". En t. J. Ment. Adicto a la salud. 6 179–181. 10.1007/s11469-007-9132-2 [Cross Ref.]
Bloque JJ (2007). Prevalencia subestimada en estudio problemático de uso de internet. CNS Spectr. 12 14 – 15. ElPubMed]
Bloque JJ (2008). Problemas para el DSM-V: adicción a internet. A.m. J. Psiquiatría 165 306 – 307. 10.1176 / appi.ajp.2007.07101556 [PubMed] [Cross Ref.]
Bluhm RL, Miller J., Lanius RA, Osuch EA, Boksman K., Neufeld RWJ, et al. (2007). Fluctuaciones espontáneas de baja frecuencia en la señal en negrita en pacientes esquizofrénicos: anomalías en la red predeterminada. Schizophr. Toro. 33 1004 – 1012. 10.1093 / schbul / sbm052 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Bullock TH (1997). Señales y signos en el sistema nervioso: la anatomía dinámica de la actividad eléctrica es probablemente rica en información. Proc. Natl. Acad. Ciencia. EE.UU. 94 1 – 6. ElArtículo gratuito de PMC] [PubMed]
Buzsáki G., Draguhn A. (2004). Oscilaciones neuronales en redes corticales. Ciencia: 304 1926 – 1929. 10.1126 / science.1099745 [PubMed] [Cross Ref.]
Cardinal RN (2006). Sistemas neuronales implicados en el refuerzo tardío y probabilístico. Redes neuronales. 19 1277 – 1301. 10.1016 / j.neunet.2006.03.004 [PubMed] [Cross Ref.]
De Smet HJ, Paquier P., Verhoeven J., Mariën P. (2013). El cerebelo: su papel en el lenguaje y las funciones cognitivas y afectivas relacionadas. Brain Lang. 127 334 – 342. 10.1016 / j.bandl.2012.11.001 [PubMed] [Cross Ref.]
De Zeeuw CI, Hoebeek FE, Bosman LWJ, Schonewille M., Witter L., Koekkoek SK (2011). Patrones de cocción espaciotemporales en el cerebelo. Nat. Rev. Neurosci. 12 327 – 344. 10.1038 / nrn3011 [PubMed] [Cross Ref.]
Ding W.-N., Sun J.-H., Sun Y.-W., Zhou Y., Li L., Xu J.-R., et al. (2013). Red modificada por defecto conectividad funcional en estado de reposo en adolescentes con adicción a los juegos de Internet. PLoS ONE 8: e59902 10.1371 / journal.pone.0059902 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Dong G., DeVito EE, Du X., Cui Z. (2012a). Control inhibitorio deteriorado en el 'trastorno de adicción a internet': un estudio funcional de imágenes de resonancia magnética. Res. Psiquiatría. 203 153 – 158. 10.1016 / j.pscychresns.2012.02.001 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Dong G., DeVito E., Huang J., Du X. (2012b). Las imágenes de tensor de difusión revelan anomalías en el tálamo y la corteza cingulada posterior en adictos a los juegos de Internet. J. Psychiatr. Res. 46 1212 – 1216. 10.1016 / j.jpsychires.2012.05.015 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Dong G., Huang J., Du X. (2012c). Alteraciones en la homogeneidad regional de la actividad cerebral en estado de reposo en adictos a los juegos de Internet. Behav. Función cerebral. 8 1–8. 10.1186/1744-9081-8-41 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Dong G., Huang J., Du X. (2011a). Sensibilidad de recompensa mejorada y sensibilidad de pérdida disminuida en adictos a Internet: un estudio de IRMf durante una tarea de adivinación. J. Psychiatr. Res. 45 1525 – 1529. 10.1016 / j.jpsychires.2011.06.017 [PubMed] [Cross Ref.]
Dong G., Zhou H., Zhao X. (2011b). Los adictos a Internet masculinos muestran una capacidad de control ejecutivo deficiente: evidencia de una tarea Stroop de palabras de color. Neurosci. Lett. 499 114 – 118. 10.1016 / j.neulet.2011.05.047 [PubMed] [Cross Ref.]
Dong G., Lu Q., Zhou H., Zhao X. (2010). Inhibición del impulso en personas con trastorno de adicción a Internet: evidencia electrofisiológica de un estudio Go / NoGo. Neurosci. Lett. 485 138 – 142. 10.1016 / j.neulet.2010.09.002 [PubMed] [Cross Ref.]
Dong G., Potenza MN (2014). Un modelo cognitivo-conductual del trastorno del juego en Internet: fundamentos teóricos e implicaciones clínicas. J. Psychiatr. Res. 58 7 – 11. 10.1016 / j.jpsychires.2014.07.005 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Doyon J., Penhune V., Ungerleider LG (2003). Contribución distintiva de los sistemas cortico-estriado y cortico-cerebeloso al aprendizaje de habilidades motoras. Neuropsychologia 41 252–262. 10.1016/S0028-3932(02)00158-6 [PubMed] [Cross Ref.]
Fitzpatrick JJ (2008). Adicción a internet: reconocimiento e intervenciones. Arco. Psiquiatría Enfermería 22 59 – 60. 10.1016 / j.apnu.2007.12.001 [PubMed] [Cross Ref.]
Flisher C. (2010). Conectarse: una visión general de la adicción a internet. J. Paediatr. Salud de los niños 46 557 – 559. 10.1111 / j.1440-1754.2010.01879.x [PubMed] [Cross Ref.]
Fowler JS, Volkow ND, Kassed CA, Chang L. (2007). Imágenes del cerebro humano adicto. Sci. Pract. Perspectiva. 3 4 – 16. 10.1151 / spp07324 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Frances AJ, Widiger T. (2012). Diagnóstico psiquiátrico: lecciones del pasado del DSM-IV y precauciones para el futuro del DSM-5. Annu. Rev. Clin. Psychol. 8 109 – 130. 10.1146 / annurev-clinpsy-032511-143102 [PubMed] [Cross Ref.]
Goldstein RZ, Tomasi D., Rajaram S., Cottone LA, Zhang L., Maloney T., y otros. (2007). El papel del cingulado anterior y la corteza orbitofrontal medial en el procesamiento de señales de drogas en la adicción a la cocaína. Neurociencia 144 1153 – 1159. 10.1016 / j.neuroscience.2006.11.024 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Grant JE, Potenza MN, Weinstein A., Gorelick DA (2010). Introducción a las adicciones conductuales. A.m. J. abuso de alcohol de drogas 36 233 – 241. 10.3109 / 00952990.2010.491884 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Griffiths M. (2005). Relación entre el juego y el juego de videojuegos: una respuesta a Johansson y Gotestam. Psychol. Reps. 96 644 – 646. 10.2466 / pr0.96.3.644-646 [PubMed] [Cross Ref.]
Guo W., Liu F., Zhang J., Zhang Z., Yu L., Liu J. y otros. (2013). La disociación de la actividad regional en la red de modo por defecto en el primer episodio, el trastorno depresivo mayor sin uso de drogas en reposo. J. Afectar. Desorden 151 1097 – 1101. 10.1016 / j.jad.2013.09.003 [PubMed] [Cross Ref.]
Han DH, Bolo N., Daniels MA, Arenella L., Lyoo IK, Renshaw PF (2011a). Actividad cerebral y ganas de jugar videojuegos por internet. Compr. Psiquiatría 52 88 – 95. 10.1016 / j.comppsych.2010.04.004 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Han Y., Wang J., Zhao Z., Min B., Lu J., Li K., y otros. (2011b). Cambios dependientes de la frecuencia en la amplitud de las fluctuaciones de baja frecuencia en el deterioro cognitivo leve amnésico: un estudio de IRMR en estado de reposo. Neuroimagen 55 287 – 295. 10.1016 / j.neuroimage.2010.11.059 [PubMed] [Cross Ref.]
Han DH, Lyoo IK, Renshaw PF (2012). Volúmenes de materia gris regional diferenciados en pacientes con adicción a juegos en línea y jugadores profesionales. J. Psychiatr. Res. 46 507 – 515. 10.1016 / j.jpsychires.2012.01.004 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Hong S.-B., Kim J.-W., Choi E.-J., Kim H.-H., Suh J.-E., Kim C.-D., y otros. (2013). Reducción del grosor cortical orbitofrontal en adolescentes varones con adicción a internet. Behav. Función cerebral. 9 1–5. 10.1186/1744-9081-9-11 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Ito M. (2006). Circuito cerebeloso como máquina neuronal. Progr. Neurobiol. 78 272 – 303. 10.1016 / j.pneurobio.2006.02.006 [PubMed] [Cross Ref.]
Jiang G.-H., Qiu Y.-W., Zhang X.-L., Han L.-J., Lv X.-F., Li L.-M., et al. (2011). Anomalías en la amplitud de baja frecuencia de la oscilación en los usuarios de heroína: un estudio de fMRI en estado de reposo. Neuroimagen 57 149 – 154. 10.1016 / j.neuroimage.2011.04.004 [PubMed] [Cross Ref.]
Knyazev GG (2007). La motivación, la emoción y su control inhibitorio se reflejan en las oscilaciones cerebrales. Neurosci. Biobehav. Rdo. 31 377 – 395. 10.1016 / j.neubiorev.2006.10.004 [PubMed] [Cross Ref.]
Ko C. (2014). Trastorno del juego en internet. Curr. Adicto Reps. 1 177 – 185.
Kuss DJ, Griffiths MD (2012). Internet y la adicción al juego: una revisión sistemática de la literatura de estudios de neuroimagen. Cerebro sci. 2 347 – 374. 10.3390 / brainsci2030347 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Lecrubier Y., Sheehan DV, Weiller E., Amorim P., Bonora I., Harnett Sheehan K., et al. (1997). La mini entrevista neuropsiquiátrica internacional (MINI). Una breve entrevista diagnóstica estructurada: fiabilidad y validez según el CIDI. EUR. Psiquiatría 12 224 – 231.
Liu J., Gao XP, Osunde I., Li X., Zhou SK, Zheng HR, y otros. (2010). Aumento de la homogeneidad regional en el trastorno de adicción a internet, un estudio de imágenes de resonancia magnética funcional en estado de reposo (2009). Barbilla. Medicina. J. (Engl.) 123 1904 – 1908. ElPubMed]
Moulton EA, Elman I., Becerra LR, Goldstein RZ, Borsook D. (2013). El cerebelo y la adicción: conocimientos obtenidos de la investigación de neuroimagen. Adicto. Biol. 19 317 – 331. 10.1111 / adb.12101 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Paus T. (2001). Primate anterior corteza cingulada: donde el control motor, la unidad y la interfaz de la cognición. Nat. Rev. Neurosci. 2 417 – 424. 10.1038 / 35077500 [PubMed] [Cross Ref.]
Penttonen M., Buzsáki G. (2003). Relación logarítmica natural entre los osciladores cerebrales. Tálamo Relat. Syst. 2 145 – 152. 10.1017 / S1472928803000074 [Cross Ref.]
Petry NM, O'Brien CP (2013). El desorden del juego en internet y el DSM-5. Adicción 108 1186 – 1187. 10.1111 / add.12162 [PubMed] [Cross Ref.]
Petry NM, Rehbein F., Gentile DA, Lemmens JS, Rumpf H.-J., Mößle T., et al. (2014). Un consenso internacional para evaluar el trastorno de los juegos de Internet utilizando el nuevo enfoque DSM-5. Adicción 109 1399 – 1406. 10.1111 / add.12457 [PubMed] [Cross Ref.]
Raymond JL, Lisberger SG, Mauk MD (1996). El cerebelo: ¿una máquina de aprendizaje neuronal? Ciencia: 272 1126 – 1131. 10.1126 / science.272.5265.1126 [PubMed] [Cross Ref.]
Stoodley CJ, Valera EM, Schmahmann JD (2012). Topografía funcional del cerebelo para tareas motoras y cognitivas: un estudio de resonancia magnética funcional. Neuroimagen 59 1560 – 1570. 10.1016 / j.neuroimage.2011.08.065 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Tao R., Huang X., Wang J. (2008). Un criterio propuesto para el diagnóstico clínico de la adicción a internet. Medicina. J. Chin. Pueblos Liberat. Ejército 33 1188 – 1191.
Tao R., Huang X., Wang J., Zhang H., Zhang Y., Li M. (2010). Criterios diagnósticos propuestos para la adicción a internet. Adicción 105 556 – 564. 10.1111 / j.1360-0443.2009.02828.x [PubMed] [Cross Ref.]
Van Rooij AJ, Schoenmakers TM, Vermulst AA, Van den Eijnden RJJM, Van de Mheen D. (2011). Adicción a los videojuegos en línea: identificación de jugadores adolescentes adictos. Adicción 106 205 – 212. 10.1111 / j.1360-0443.2010.03104.x [PubMed] [Cross Ref.]
Weinstein A., Lejoyeux M. (2015). Nuevos desarrollos en los mecanismos neurobiológicos y farmacogenéticos subyacentes a la adicción a los videojuegos y a Internet. A.m. J. Addict. 24 117 – 125. 10.1111 / ajad.12110 [PubMed] [Cross Ref.]
Weng C.-B., Qian R.-B., Fu X.-M., Lin B., Han X.-P., Niu C.-S., et al. (2013). Materia gris y anomalías de la materia blanca en la adicción a los juegos en línea. EUR. J. Radiol. 82 1308 – 1312. 10.1016 / j.ejrad.2013.01.031 [PubMed] [Cross Ref.]
Xu S.-H. (2013). Adictos a Internet '. Impulso del comportamiento: evidencia de la tarea de juego de iowa: impulsividad del comportamiento de los adictos a internet: evidencia de la tarea de juego de iowa. Acta Psychol. Sinica 44 1523 – 1534.
Yan C., Zang Y. (2010). DPARSF: una caja de herramientas de matlab para el análisis de datos de "tubería" de fMRI en estado de reposo. Frente. Syst. Neurosci. 14: 13 10.3389 / fnsys.2010.00013 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Joven KS (1998). La adicción a internet: la aparición de un nuevo trastorno clínico. Cyber Psychol. Behav. 1 237–244. 10.1007/s10899-011-9287-4 [Cross Ref.]
Yu R., Chien Y.-L., Wang H.-LS, Liu C.-M., Liu C.-C., Hwang T.-J., et al. (2014). Alternaciones específicas de frecuencia en la amplitud de fluctuaciones de baja frecuencia en la esquizofrenia. Tararear. Cerebro Mapp. 35 627 – 637. 10.1002 / hbm.22203 [PubMed] [Cross Ref.]
Yuan K., Jin C., Cheng P., Yang X., Dong T., Bi Y. y otros. (2013). Amplitud de las anomalías de fluctuación de baja frecuencia en adolescentes con adicción a los juegos en línea. PLoS ONE 8: e78708 10.1371 / journal.pone.0078708 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Yuan K., Qin W., Wang G., Zeng F., Zhao L., Yang X. y otros. (2011). Anomalías de la microestructura en adolescentes con trastorno de adicción a internet. PLoS ONE 6: e20708 10.1371 / journal.pone.0020708 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Zang Y.-F., He Y., Zhu C.-Z., Cao Q.-J., Sui M.-Q., Liang M., et al. (2007a). Alteración de la actividad cerebral inicial en niños con TDAH revelada por IRM funcional en estado de reposo. Brain Dev. 29 83 – 91. 10.1016 / j.braindev.2006.07.002 [PubMed] [Cross Ref.]
Zang Y.-F., Yong H., Chao-Zhe Z., Qing-Jiu C., Man-Qiu S., Meng L., et al. (2007b). Alteración de la actividad cerebral inicial en niños con TDAH revelada por resonancia magnética funcional en estado de reposo. Brain Dev. 29 83 – 91. 10.1016 / j.braindev.2006.07.002 [PubMed] [Cross Ref.]
Zou Q.-H., Zhu C.-Z., Yang Y., Zuo X.-N., Long X.-Y., Cao Q.-J., et al. (2008). Un enfoque mejorado para la detección de la amplitud de la fluctuación de baja frecuencia (ALFF) para fMRI en estado de reposo: ALFF fraccional. J. Neurosci. Métodos 172 137 – 141. 10.1016 / j.jneumeth.2008.04.012 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Zuo X.-N., Di Martino A., Kelly C., Shehzad ZE, Gee DG, Klein DF, y col. (2010). El cerebro oscilante: complejo y fiable. Neuroimagen 49 1432 – 1445. 10.1016 / j.neuroimage.2009.09.037 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]