Discriminar a los jugadores patológicos y no patológicos de Internet que utilizan funciones neuroanatómicas dispersas (2018)

. 2018; 9: 291.

Publicado en línea 2018 Jun 29. doi  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Resumen

El trastorno de juegos de Internet (IGD) a menudo se diagnostica sobre la base de nueve criterios subyacentes de la última versión del Manual diagnóstico y estadístico de trastornos mentales (DSM-5). Aquí, examinamos si dicha categorización basada en síntomas podría traducirse en una clasificación basada en computación. Los datos de IRM estructural (sMRI) y MRI ponderada por difusión (dMRI) se adquirieron en jugadores con 38 diagnosticados con IGD, jugadores normales con 68 diagnosticados como no con IGD y no jugadores saludables con 37. Generamos las características 108 de la estructura de materia gris (GM) y materia blanca (WM) a partir de los datos de MRI. Cuando se aplicó una regresión logística regularizada a las características neuroanatómicas de 108 para seleccionar las más importantes para la distinción entre los grupos, los jugadores desordenados y normales se representaron en términos de las características de 43 y 21, respectivamente, en relación con los no jugadores sanos, mientras que Los jugadores desordenados estaban representados en términos de características de 11 en relación con los jugadores normales. En las máquinas de vectores de soporte (SVM) que utilizan las características neuroanatómicas dispersas como predictores, los jugadores desordenados y normales fueron discriminados con éxito, con una precisión superior al 98%, de los no jugadores sanos, pero la clasificación entre los jugadores desordenados y normales fue relativamente difícil. Estos hallazgos sugieren que los jugadores patológicos y no patológicos, categorizados con los criterios del DSM-5, podrían estar representados por características neuroanatómicas dispersas, especialmente en el contexto de la discriminación de los individuos sanos que no juegan.

Palabras clave: trastorno de los juegos en Internet, clasificación diagnóstica, resonancia magnética estructural, resonancia magnética ponderada por difusión, regresión regularizada

Introducción

Aunque ha sido sugerido como adicción patológica durante décadas (), es solo recientemente que el trastorno de juegos de Internet (IGD) se incluyó en el Manual diagnóstico y estadístico de trastornos mentales (DSM). La quinta edición del DSM (DSM-5) () identificó la IGD como una condición para estudios posteriores y proporcionó nueve criterios para diagnosticarla. En la categorización basada en síntomas utilizando la escala IGD de nueve elementos (IGDS) propuesta en el DSM − 5, se aplicó un umbral de experiencia de cinco o más criterios para el diagnóstico de IGD. Aunque este punto de corte puede diferenciar adecuadamente a los jugadores que sufren un deterioro clínico significativo (), la naturaleza dicotómica de los ítems de IGDS implica inevitablemente una simplificación o vaguedad de diagnóstico.

Además de los síntomas, comúnmente se observan una variedad de disfunciones relacionadas con la IGD, no menos los cambios neuroanatómicos. De hecho, un importante cuerpo de trabajo ha demostrado que la IGD está asociada con alteraciones estructurales en el cerebro: la disminución del volumen de materia gris (GM) (–), reducción del grosor cortical (), y la pérdida de la integridad de la materia blanca (WM) (, ) se han demostrado típicamente. Estos cambios neuroanatómicos relacionados con la IGD sugieren que tales parámetros de imagen cerebral pueden servir como biomarcadores para distinguir a las personas con IGD de otras personas. Es decir, el diagnóstico de IGD se puede realizar a través de la manipulación computacional de biomarcadores neuroanatómicos, en lugar de a través de la categorización basada en síntomas basada en el DSM-5. Estos intentos pueden estar en línea con los esfuerzos para ir más allá del diagnóstico descriptivo empleando enfoques computacionales para la psiquiatría (), específicamente enfoques basados ​​en datos basados ​​en el aprendizaje automático (ML) para abordar el diagnóstico de enfermedad mental ().

En este estudio, se buscó un vínculo entre la categorización basada en síntomas sobre la base de IGDS y la clasificación basada en computación mediante el uso de biomarcadores neuroanatómicos en el diagnóstico de IGD. Debido a que es probable que algunos componentes GM y WM del cerebro incluyan información redundante o irrelevante para la clasificación diagnóstica, intentamos seleccionar las características neuroanatómicas dispersas mediante el uso de regresión regularizada. Planteamos la hipótesis de que la categorización basada en los síntomas podría representarse en términos de características neuroanatómicas dispersas que compondrían los modelos de clasificación para el diagnóstico de IGD. Se pensaba que los jugadores patológicos diagnosticados con IGD eran más diferentes de los individuos sanos que no jugaban que los jugadores diagnosticados como que no tenían IGD, es decir, los jugadores no patológicos; por lo tanto, los jugadores patológicos podrían caracterizarse por un número mayor de características en comparación con los jugadores no patológicos, en relación con los individuos sanos que no juegan. Además, queríamos decidir si los jugadores no patológicos podrían ser menos distinguibles de los jugadores patológicos o de los individuos sanos que no juegan. Se podría suponer vagamente que los jugadores no patológicos están cerca de los individuos sanos que no juegan en términos de síntomas descriptivos, pero pensamos que tal noción debe validarse mediante una clasificación basada en computación.

Materiales y métodos

Participantes

Entre los participantes de 237 que jugaban juegos basados ​​en Internet, los individuos de 106 se seleccionaron excluyendo a aquellos que exhibían una falta de coincidencia entre el IGDS autoinformado y una entrevista estructurada con un psicólogo clínico en el diagnóstico de IGD o que habían perdido o distorsionado severamente los datos de imágenes del cerebro. Sobre la base del IGDS, los individuos 38 (27.66 ± 5.61 años; hembras 13) que cumplieron con al menos cinco artículos IGDS fueron etiquetados como jugadores desordenados y los individuos 68 (27.96 ± años 6.41; mujeres 21) que cumplieron con un máximo de un artículo IGDS fueron etiquetados jugadores normales. Los individuos que cumplieron con los elementos de IGDS entre dos y cuatro también fueron excluidos, ya que pueden ser discernidos como otra clase entre los jugadores desordenados y normales (). Además, se reclutó por separado a 37 personas (25.86 ± 4.10 años; 13 mujeres) que no jugaban a juegos de Internet, y se les denominó no jugadores sanos. Se confirmó la ausencia de comorbilidades en todos los participantes. Se obtuvo el consentimiento informado por escrito de todos los participantes de acuerdo con la Declaración de Helsinki y sus modificaciones posteriores, y el estudio fue aprobado por la Junta de Revisión Institucional del Hospital St. Mary de Seúl, Seúl, Corea.

Adquisición de datos de resonancia magnética

Los datos de MRI estructural (sMRI) y MRI ponderada por difusión (dMRI) se recopilaron utilizando un sistema 3 T MAGNETOM Verio (Siemens AG, Erlangen, Alemania). La adquisición de datos sMRI se realizó utilizando una secuencia de eco de gradiente rápido preparada por magnetización: número de cortes en el plano sagital = 176, grosor de corte = 1 mm, tamaño de matriz = 256 x 256, y resolución en el plano = 1 x 1 mm . Para la adquisición de datos dMRI, la codificación de gradiente de difusión se realizó en direcciones 30 con b = 1,000 s / mm2 y se utilizó una secuencia de imágenes eco planar de un solo disparo: número de cortes en el plano axial = 75, grosor de corte = 2 mm, tamaño de la matriz = 114 × 114, y resolución en el plano = 2 × 2 mm.

Procesamiento de datos de MRI

Herramientas incluidas en CAT12 (http://www.neuro.uni-jena.de/cat/) se utilizaron para procesar datos sMRI. La imagen del volumen cerebral se segmentó en diferentes tejidos, incluidos GM, WM y líquido corticoespinal, y se registró espacialmente en un cerebro de referencia en el espacio estándar. En la morfometría basada en voxel (VBM), el volumen de GM a nivel de voxel se estimó multiplicando la probabilidad de ser GM por el volumen de un voxel, y luego esos valores se dividieron por el volumen intracraneal total para ajustar las diferencias individuales en el volumen de la cabeza. En la morfometría basada en la superficie (SBM), el espesor cortical se estimó utilizando el método del espesor basado en proyección ().

Procesamiento de datos dMRI

Herramientas incluidas en FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) se emplearon para procesar datos dMRI. Todas las imágenes fueron realineadas a la imagen nula adquirida con b = 0 s / mm2 para corregir las distorsiones inducidas por corrientes de Foucault y el movimiento de la cabeza. Se modeló un tensor de difusión en cada voxel dentro del cerebro, y se calcularon los parámetros derivados del tensor de difusión, incluida la anisotropía fraccional (FA), la difusividad media (DM), la difusividad axial (AD) y la difusividad radial (RD); dadas tres difusividades a lo largo de diferentes ejes de un tensor de difusión, FA se calculó como la raíz cuadrada de la suma de los cuadrados de las diferencias de difusividad entre los tres ejes, MD como la difusividad promedio entre los tres ejes, AD como la mayor difusividad a lo largo del eje principal y RD como el promedio de difusividades a lo largo de dos ejes menores. Utilizando estadísticas espaciales basadas en el tracto (TBSS) () implementados en FSL 5.0, los mapas de los parámetros derivados del tensor de difusión se registraron espacialmente en un cerebro de referencia en el espacio estándar, y luego se proyectaron en un esqueleto del tracto WM.

Generación de características

Dos pasos principales para diseñar un modelo de clasificación son la generación y selección de características. Generamos características a partir de la neuroanatomía, específicamente el volumen y el grosor de un conjunto de regiones GM y la integridad y la difusividad de un conjunto de tractos WM. Después de estimar el volumen de GM y el grosor cortical como mapas de voxel adquiridos de VBM y SBM, respectivamente, los parámetros se evaluaron para cada una de las regiones GM de 60 (Tabla S1), parcelado como en el atlas de Martillos (), como el promedio de todos los voxels dentro de ella. Teniendo estimados los parámetros derivados del tensor de difusión, incluidos FA, MD, AD y RD como mapas voxeliados en el esqueleto del tracto WM adquirido de TBSS, los parámetros se calcularon para cada uno de los tractos 48 WM (Tabla S2), parcelado como en el atlas ICBM DTI-81 (), como el promedio de todos los voxels dentro de ella. En resumen, consideramos dos parámetros de GM y cuatro parámetros de WM, que arrojaron ocho combinaciones de parámetros de GM y WM. Para cada combinación de parámetros GM y WM, los valores de los parámetros de las regiones 60 GM y los tractos 48 WM compusieron un total de características neuroanatómicas de 108.

Selección de características por regresión regularizada

Es importante reducir la cantidad de funciones, especialmente para los datos con una gran cantidad de funciones y un número limitado de observaciones. El número limitado de observaciones en relación con el número de características puede llevar a un ajuste excesivo al ruido, y la regularización es una técnica que permite reducir o prevenir el ajuste excesivo mediante la introducción de información adicional o restricciones en un modelo. Debido a que todas las características de 108 pueden no incluir información útil y necesaria para la clasificación, seleccionamos un conjunto disperso de características mediante la aplicación de regresión regularizada. Específicamente, el lazo () y red elástica () se utilizaron para regresión logística regularizada. El lazo incluye un término de penalización, o un parámetro de regularización, λ, que restringe el tamaño de las estimaciones de coeficientes en un modelo de regresión logística. Debido a que un aumento en λ conduce a más coeficientes de valor cero, el lazo proporciona un modelo de regresión logística reducida con menos predictores. La red elástica también produce un modelo de regresión logística reducida al establecer los coeficientes en cero, especialmente al incluir un parámetro de regularización híbrido de la regresión de lazo y cresta, superando la limitación del lazo en el tratamiento de predictores altamente correlacionados ().

Para la clasificación entre cada par de los tres grupos, aplicamos el lazo y la red elástica para identificar predictores importantes entre las características neuroanatómicas de 108 en un modelo de regresión logística. Las características 108 de todos los individuos en cada par de los tres grupos se estandarizaron para componer una matriz de datos, A, en el que cada fila representaba una observación y cada columna representaba un predictor. Para corregir los efectos de la edad y el sexo de los individuos sobre los parámetros de GM y WM, una matriz de formación residual, R, fue generado: R = I–C(CTC)-1C donde I Era una matriz de identidad y C Fue una matriz codificadora de variables covariantes de edad y sexo. Luego se aplicó a A para obtener residuos después de haber regresado las covariables de confusión: X = RA.

Dada la matriz de datos ajustada, X, y la respuesta, Y, que codificó dos clases de individuos, se utilizó la validación cruzada (CV) 10-fold para buscar un parámetro de regularización, λMinErr, que proporcionó el error mínimo en términos de desviación, definido como probabilidad logaritmica negativa para el modelo probado promediado en los pliegues de validación. Alternativamente, debido a que una curva CV tiene errores en cada prueba λ, un parámetro de regularización, λ1SE, que se encontró dentro de un error estándar del error CV mínimo en la dirección de la regularización creciente desde λMinErr También fue considerado. Es decir, se seleccionaron características más dispersas en λ1SE, mientras que las características dispersas se determinaron en λMinErr. Este procedimiento para buscar un modelo de regresión logística regularizada con menos predictores se repitió para cada combinación de parámetros GM y WM que comprenden las características neuroanatómicas de 108.

Rendimiento de características seleccionadas

Para evaluar la utilidad de las características dispersas y dispersas, se comparó el rendimiento entre el modelo con un número reducido de características y el modelo con todas las características 108 en máquinas de vectores de soporte (SVM) mediante la medición de la curva de características operativas del receptor (ROC). Con un núcleo lineal como la función del núcleo e hiperparámetros optimizados por CV cinco veces, se entrenó un SVM para todos los individuos en cada par de los tres grupos. El área bajo la curva ROC (AUC) se calculó para cada modelo como una medida cuantitativa de su desempeño. DeLong tests () fueron empleados para comparar el AUC entre cada par de modelos. Cuando las AUC diferían en una p-valor de 0.05, el rendimiento se consideró no comparable en dos modelos.

Exactitud de clasificacion

Los procedimientos esquemáticos desde la generación y selección de características hasta la construcción de modelos de clasificación se presentan en la Figura Figura1.1. Para cada par de los tres grupos, se generaron modelos de clasificación SVM usando las características seleccionadas como predictores. Evaluamos la precisión de los modelos de clasificación mediante el empleo de un esquema de CV sin salida, de manera que la precisión de la clasificación fuera de la muestra se calculó para cada individuo excluido y luego se promedió entre todos los individuos. La importancia estadística de la precisión se estimó empleando pruebas de permutación. Se generó una distribución nula empírica para clasificar entre cada par de los tres grupos permutando repetidamente las etiquetas de individuos y midiendo la precisión asociada con las etiquetas permutadas. Cuando la precisión medida para las etiquetas no permitidas fue mayor o igual a la distribución nula en un p-valor de 0.05, que se determinó que era significativamente diferente del nivel de probabilidad (precisión = 50%). Además, se visualizó una matriz de confusión para describir la sensibilidad y la especificidad con respecto a la distinción entre cada par de los tres grupos.

 

Un archivo externo que contiene una imagen, una ilustración, etc. El nombre del objeto es fpsyt-09-00291-g0001.jpg

Procedimientos esquemáticos desde la generación y selección de características neuroanatómicas hasta la construcción de modelos para la clasificación entre jugadores con problemas (DG) y jugadores sin jugadores saludables (HN), entre jugadores normales (NG) y HN, y entre DG y NG. GM, materia gris; WM, materia blanca.

Resultados

Selección de características

Figura Figura22 muestra características seleccionadas entre las características 108 con sus estimaciones de coeficientes, y Tabla Table11 describe información de ajuste relacionada del modelo de regresión logística regularizada para la clasificación entre cada par de los tres grupos. Además, figura S1 muestra qué λ produjo el error de CV mínimo y cuántas funciones se seleccionaron en λ1SE así como en λMinErr. El error CV mínimo se obtuvo en la selección de características mediante el lazo (peso del lazo = 1) para la clasificación entre jugadores sanos y no normales y por la red elástica (peso del lazo = 0.5) para la otra clasificación.

 

Un archivo externo que contiene una imagen, una ilustración, etc. El nombre del objeto es fpsyt-09-00291-g0002.jpg

Características neuroanatómicas seleccionadas en regresión logística regularizada para la clasificación entre cada par de tres grupos. Los jugadores desordenados (DG) se codificaron como 1 en la clasificación entre no jugadores sanos (HN) y DG, los jugadores normales (NG) como 1 en la clasificación entre HN y NG, y DG como 1 en la clasificación entre NG y DG. El tamaño de una barra representa el tamaño del coeficiente de la característica respectiva, de modo que las características de coeficientes distintos de cero son las seleccionadas. Los cerebros renderizados representan los componentes de materia gris y materia blanca correspondientes a las características seleccionadas desde una vista superior. Las características en rojo o azul indican las incluidas en características más dispersas determinadas en λ1SE así como en características dispersas determinadas en λMinErr, mientras que aquellos en amarillo o magenta indican aquellos incluidos solo en rasgos dispersos. Las etiquetas de los componentes del cerebro son las proporcionadas en las Tablas. S1 y S2. L, izquierda; R, a la derecha.

Tabla 1

Información de ajuste de regresión logística regularizada para la clasificación entre cada par de tres grupos.

 HN vs. DGHN vs. NGNG vs DG
ParámetroGMEspesorEspesorVolumen
 WMFARDMD
Peso del lazo0.510.5
Funciones dispersas seleccionadas en λMinErrError de CV37.368141.7876133.3857
 No. de características432111
Sparser características seleccionadas en λ1SEError de CV46.568150.0435141.2622
 No. de características34121
 

El peso del lazo indica si la regresión logística regularizada se realizó utilizando el lazo (peso del lazo = 1) o red elástica (peso del lazo = 0.5).

HN, sanos no jugadores; DG, jugadores desordenados; NG, jugadores normales; GM, materia gris; WM, materia blanca; FA, anisotropía fraccional; RD, difusividad radial; MD, difusividad media; CV, validación cruzada.

En la discriminación de los jugadores desordenados de los no jugadores sanos, las características de 43 se seleccionaron en λMinErr comprendía el grosor de las regiones 24 GM y la FA de los tratos 19 WM, y las características 34 seleccionadas en λ1SE comprendía el grosor de las regiones GM de 15 y la FA de los tractos 19 WM. En la distinción de los jugadores normales de los no jugadores sanos, las características de 21 se seleccionaron en λMinErr comprendía el grosor de las regiones de 12 GM y el RD de los tractos 9 WM, y las características de 12 seleccionadas en λ1SE comprendía el grosor de las regiones 6 GM y el RD de los tractos 6 WM. En la clasificación entre jugadores desordenados y normales, las características de 11 seleccionadas en λMinErr comprendía el volumen de las regiones de 7 GM y el MD de los tractos 4 WM, y una característica seleccionada en λ1SE Correspondía al volumen de una región GM.

Rendimiento de características seleccionadas

Entre el modelo con un número reducido de funciones y el modelo con todas las características de 108, el rendimiento fue comparable en términos del AUC en la discriminación entre cada tipo de jugadores y los no jugadores sanos por SVM (Figura (Figura 3) .3). En la clasificación entre los jugadores desordenados y normales, el modelo con las características seleccionadas ya sea en λMinErr (AUC = 0.83, p = 0.006) o en λ1SE (AUC = 0.72, p <0.001) mostró un rendimiento más pobre que el modelo con todas las 108 características (AUC = 0.90).

 

Un archivo externo que contiene una imagen, una ilustración, etc. El nombre del objeto es fpsyt-09-00291-g0003.jpg

Comparación del rendimiento en términos del área bajo la curva de características operativas del receptor (AUC) entre los modelos sin y con la selección de características para la clasificación entre cada par de tres grupos por máquinas de vectores de soporte. El modelo de características de 108 (indicado por una línea continua) corresponde a aquel sin selección de características, mientras que los modelos de números reducidos de características corresponden a aquellos con características dispersas y dispersas seleccionadas en λMinErr (indicado por línea discontinua) y λ1SE (indicado por la línea de puntos y guiones), respectivamente. HN, sanos no jugadores; DG, jugadores desordenados; NG, jugadores normales.

Exactitud de clasificacion

En la clasificación por SVMs usando las características seleccionadas en λMinErr, la precisión fue mayor que 98%, significativamente más alta que el nivel de probabilidad (p <0.001), en la distinción de cada tipo de jugadores de los no jugadores sanos (Figura (Figura 4A) .4A). La precisión todavía era significativamente más alta que el nivel de oportunidad (p = 0.002) pero tan bajo como 69.8% en la clasificación entre los jugadores desordenados y normales, mostrando específicamente una sensibilidad baja (47.4%) en la identificación correcta de los jugadores desordenados. Las características dispersas determinadas en λ1SE exhibió un rendimiento similar (Figura (Figura 4B) 4B) pero mostró una sensibilidad mucho menor (2.6%) en la distinción correcta de los jugadores desordenados de los jugadores normales.

 

Un archivo externo que contiene una imagen, una ilustración, etc. El nombre del objeto es fpsyt-09-00291-g0004.jpg

Matrices de confusión en la clasificación entre cada par de tres grupos al usar (A) escaso y (B) características dispersas determinadas en λMinErr y en λ1SE, respectivamente, en las máquinas de vectores de soporte. La celda inferior derecha representa la precisión de la clasificación (ACC), la tasa negativa verdadera (TNR) de la celda inferior izquierda o la especificidad, la tasa positiva verdadera (TNR) de la celda media inferior, la sensibilidad, el valor predictivo negativo de la celda superior derecha (VAN) ), y el valor predictivo positivo (PPV) de la celda media derecha. TP, verdadero positivo; TN, verdadero negativo; FP, falso positivo; FN, falso negativo.

Discusión

En este estudio, intentamos examinar si los jugadores patológicos y no patológicos según la clasificación con el IGDS propuesto en el DSM-5 podrían estar representados por características neuroanatómicas dispersas. Los jugadores desordenados y normales estaban representados en términos de las características 43 y 21, respectivamente, en relación con los no jugadores sanos. Además, los jugadores desordenados estaban representados en términos de características 11 en relación con los jugadores normales. Usando las características neuroanatómicas dispersas, los jugadores desordenados y normales podrían ser discriminados con éxito de los no jugadores sanos, pero la clasificación entre los jugadores desordenados y normales era relativamente difícil.

La categorización descriptiva basada en síntomas de IGD con el IGDS propuesto en el DSM-5 está siendo ampliamente adoptada. Aunque la validez empírica del IGDS se ha confirmado en varios países (, , ), el umbral para experimentar cinco o más elementos de IGDS puede no ser una opción definitiva, y se pueden sugerir otras formas de categorizar a las personas que juegan juegos basados ​​en Internet (). Dado que cada vez se dispone más de múltiples tipos de datos clínicos, como los datos de imágenes cerebrales, así como los datos demográficos, de comportamiento y sintomáticos, es preferible utilizar datos adicionales para el diagnóstico de enfermedades mentales. En particular, debido a la masividad de la información cuantitativa, los datos de imágenes cerebrales son adecuados para los enfoques computacionales y serían útiles para la predicción. De hecho, se ha demostrado que los datos de imágenes cerebrales tienen valores predictivos superiores en comparación con otros datos clínicos en la predicción para resolver un problema clínicamente relevante ().

Como la clasificación diagnóstica basada en ML se ha aplicado recientemente a otras conductas y trastornos adictivos (–), la categorización basada en síntomas de IGD también parece enfrentar un desafío de clasificación basada en computación. Debido a que las anormalidades anatómicas del cerebro después de la IGD se han informado repetidamente en estudios previos (–, ), consideramos dicha información neuroanatómica a partir de biomarcadores potenciales de datos de imágenes cerebrales para el diagnóstico de IGD. En este estudio, nuestro objetivo fue identificar un conjunto de características neuroanatómicas importantes que podrían proporcionar un rendimiento de clasificación adecuadamente alto, además de describir las diferencias neuroanatómicas entre las clases de individuos.

Seleccionamos las más importantes, entre las características neuroanatómicas de 108, regresión completa a fondo. Cuando consideramos ocho combinaciones de parámetros GM y WM, se seleccionaron diferentes combinaciones de parámetros para distinguir cada par de los tres grupos. La combinación del grosor de las regiones GM y la integridad de los tractos WM fue mejor para distinguir a los jugadores patológicos de los no jugadores sanos, mientras que la combinación del volumen de las regiones GM y la difusividad de los tractos WM fue mejor para distinguir a los jugadores patológicos De los jugadores no patológicos. Además, aunque muchos componentes cerebrales sirvieron comúnmente como características neuroanatómicas que fueron importantes para la distinción de los jugadores patológicos y no patológicos de los no jugadores sanos, algunas regiones GM y tractos WM caracterizaron a los jugadores no patológicos, pero no a los jugadores patológicos. . Estos hallazgos indican que es posible que no haya una combinación de parámetros GM y WM con el mejor rendimiento universalmente como biomarcadores neuroanatómicos, por lo que es necesario seleccionar una combinación específica de parámetros GM y WM según los grupos que se clasificarán.

El menor número de características dispersas para la distinción de los jugadores no patológicos en comparación con la distinción de los jugadores patológicos, de los no jugadores sanos, refleja que los jugadores no patológicos se encuentran en una etapa de transición entre los jugadores patológicos y sanos no jugadores. Además, las características menos dispersas para la clasificación entre los dos tipos de jugadores que para la discriminación entre cada tipo de jugadores y los no jugadores sanos indican que los jugadores patológicos y no patológicos eran menos diferentes entre sí en términos de la neuroanatomía que para ellos, siendo diferentes de los no jugadores sanos. En consecuencia, los modelos de clasificación generados con las características dispersas arrojaron una precisión superior al 98% en la discriminación entre cada tipo de jugador y los no jugadores sanos, pero la precisión por debajo del 70% en la clasificación entre los dos tipos de jugador. Es decir, los jugadores no patológicos eran distinguibles de los no jugadores sanos, al igual que los jugadores patológicos, pero existían limitaciones para distinguir entre los jugadores patológicos y los no patológicos.

Esta capacidad de distinción relativamente baja entre los dos tipos de jugadores parece sugerir algunas nociones. En primer lugar, se puede proponer una falta de coincidencia entre la categorización basada en síntomas y la clasificación basada en cómputo. Aunque el umbral de diagnóstico propuesto para experimentar cinco o más criterios en el IGDS se eligió de manera conservadora para prevenir el diagnóstico excesivo de la IGD (), la presencia de gamers que sufren cambios patológicos considerables en la neuroanatomía pero que no satisfacen el umbral de la IGD puede no ser ignorada. En particular, solo incluimos a los jugadores que satisfacían elementos IGDS mucho más bajos que el umbral IGD como los jugadores normales, por lo que los jugadores diagnosticados como no teniendo IGD podrían estar generalmente más alejados de los individuos sanos que no participan en juegos que lo que se muestra en este estudio. En segundo lugar, se puede observar un desafío en la clasificación que se basa únicamente en biomarcadores neuroanatómicos. El rendimiento de la clasificación podría mejorarse incluyendo otros biomarcadores que puedan capturar una mayor disimilitud entre los jugadores patológicos y los no patológicos. En particular, porque los cambios funcionales en el cerebro también se demuestran en la IGD (–), tanto la función como la anatomía del cerebro podrían considerarse biomarcadores cerebrales. Además, queremos tener en cuenta que los cambios en el cerebro solo forman parte de las facetas multidimensionales de la adicción a los juegos de Internet, de modo que otros factores, entre ellos varios factores de riesgo internos y externos para la adicción a los juegos de Internet (), deberían incluirse en modelos más completos para la clasificación entre jugadores patológicos y no patológicos, así como la distinción de jugadores de individuos sanos que no juegan.

Aquí, hemos empleado regresión regularizada, utilizando estimadores que promueven la dispersión de la dispersión, como el lazo y la red elástica, para identificar características importantes para los modelos de clasificación. En realidad, existen variaciones metodológicas en la selección de características o la reducción de la dimensionalidad, y se pueden emplear una variedad de enfoques para el uso de características seleccionadas en la construcción del modelo (). Nuestro enfoque que utiliza la regresión regularizada implica un supuesto a priori sobre la escasez en las características neuroanatómicas. Dado que tal suposición es aceptable, como creíamos en este estudio, la regresión regularizada podría ser un enfoque plausible, y se esperaría que el conjunto seleccionado de características dispersas componga modelos de clasificación de desempeño adecuadamente alto. Pero es notable que los modelos de clasificación más simples basados ​​en una mayor dispersión no siempre muestren un rendimiento comparable o mejorado. De hecho, entre las diferentes opciones de grado de dispersión según un parámetro de regularización, una mayor dispersión probablemente no proporcionaría un modelo de mejor desempeño específicamente en problemas de clasificación más desafiantes, como la clasificación entre jugadores patológicos y no patológicos.

Además, hemos utilizado SVM como una técnica de ML para construir modelos de clasificación, porque se encuentran entre los más populares. Se pueden utilizar otros métodos avanzados para mejorar el rendimiento de clasificación, aunque el rendimiento comparativo entre diferentes métodos puede no concluirse debido a la dependencia del rendimiento en los escenarios experimentales (). Por otro lado, para el rendimiento comparativo entre los métodos estadísticos clásicos y las técnicas de LD, también realizamos la clasificación por regresión logística y mostramos que los dos métodos, a saber, la regresión logística y las SVM, eran comparables en el rendimiento de la clasificación (Figura 1). S2). Puede repetirse que los métodos estadísticos clásicos no siempre son inferiores a las técnicas de LD en el rendimiento de clasificación ().

En el presente estudio, hemos revelado que la categorización de la IGD basada en los síntomas podría representarse en términos de biomarcadores neuroanatómicos dispersos que componían los modelos de clasificación. Además, hemos demostrado que los jugadores no patológicos podrían distinguirse menos de los jugadores patológicos que de los individuos sanos que no juegan, en términos de neuroanatomía. Por lo tanto, sugerimos que aunque los sistemas de diagnóstico actuales se basan en la categorización descriptiva, como el DSM-5 como estándares de oro, los jugadores no patológicos pueden necesitar ser diagnosticados con más cuidado mediante el empleo de biomarcadores objetivos como los asociados con alteraciones neuroanatómicas. La adopción de enfoques computacionales parece ser una tendencia irreversible en la psiquiatría, pero puede haber un largo camino por recorrer para aplicarlos prácticamente en los entornos clínicos. La búsqueda de la selección óptima de las características dispersas de las imágenes del cerebro y otros datos clínicos debe realizarse en estudios posteriores y, a largo plazo, estos esfuerzos promoverán el diagnóstico basado en cómputo de la IGD.

Contribuciones de autor

D-JK y J-WC fueron responsables del concepto y diseño del estudio. HC realizó la caracterización clínica y selección de los participantes. CP analizó los datos y redactó el manuscrito. Todos los autores revisaron críticamente el contenido y aprobaron la versión final para su publicación.

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.

Notas a pie de página

 

Fondos. Esta investigación fue apoyada por el Programa de Investigación de Ciencias del Cerebro a través de la Fundación Nacional de Investigación de Corea (NRF), financiada por el Ministerio de Ciencia y TIC en Corea (NRF-2014M3C7A1062893).

 

 

Material suplementario

El Material complementario para este artículo se puede encontrar en línea en: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Referencias

1. Joven KS. La adicción a internet: la aparición de un nuevo trastorno clínico. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Cross Ref.]
2. Asociación Americana de Psiquiatría Diagnóstico y Manual Estadístico de los Trastornos Mentales, Edición 5. Washington, DC: Publicación de la Asociación Americana de Psiquiatría; (2013).
3. Ko CH, Yen JY, Chen SH, Wang PW, Chen CS, Yen CF. Evaluación de los criterios de diagnóstico del trastorno de los juegos de Internet en el DSM-5 entre adultos jóvenes en Taiwán. J Psychiatr Res. (2014) 53: 103 – 10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Cross Ref.]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. . La densidad de materia gris alterada y la conectividad funcional interrumpida de la amígdala en adultos con trastornos de los juegos de Internet. Prog Neuropsychopharmacol Biol Psychiatry (2015) 57: 185 – 92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Cross Ref.]
5. Lin X, Dong G, Wang Q, Du X. Volumen anormal de materia gris y materia blanca en "adictos a los juegos de Internet". Adicto Behav. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Cross Ref.]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X, et al. . La alteración del volumen de la materia gris y el control cognitivo en adolescentes con trastorno de los juegos de Internet. Frente Behav Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
7. Yuan K, Cheng P, Dong T, Bi Y, Xing L, Yu D, et al. . Anomalías corticales del grosor en la adolescencia tardía con adicción a los juegos en línea. PloS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
8. Dong G, Devito E, Huang J, Du X. Las imágenes con tensor de difusión revelan anomalías en el tálamo y la corteza cingulada posterior en adictos a los juegos de Internet. J Psychiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D, et al. . Reducción de la integridad de la fibra y control cognitivo en adolescentes con trastornos de los juegos de Internet. Brain Res. (2014) 1586: 109 – 17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Cross Ref.]
10. Besson P, Dinkelacker V, Valabregue R, Thivard L, Leclerc X, Baulac M, et al. . Diferencias de conectividad estructural en la epilepsia del lóbulo temporal izquierdo y derecho. Neuroimagen (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Cross Ref.]
11. Huys QJ, Maia TV, Frank MJ. La psiquiatría computacional como puente de la neurociencia a las aplicaciones clínicas. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
12. Lemmens JS, Valkenburg PM, Gentile DA. La escala del trastorno del juego en internet. Evaluación psicológica. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Cross Ref.]
13. Dahnke R, Yotter RA, Gaser C. Espesor cortical y estimación de la superficie central. Neuroimagen (2013) 65: 336 – 48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Cross Ref.]
14. Smith SM, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols TE, Mackay CE, et al. . Estadísticas espaciales basadas en tractos: análisis voxelwise de datos de difusión de múltiples sujetos. Neuroimagen (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Cross Ref.]
15. Hammers A, Allom R, Koepp MJ, Free SL, Myers R, Lemieux L, et al. . Atlas tridimensional de probabilidad máxima del cerebro humano, con especial referencia al lóbulo temporal. Hum Brain Mapp. (2003) 19: 224 – 47. 10.1002 / hbm.10123 [PubMed] [Cross Ref.]
16. Mori S, Oishi K, Jiang H, Jiang L, Li X, Akhter K, et al. . Atlas de materia blanca estereotáxica basado en imágenes de tensor de difusión en una plantilla de ICBM. Neuroimagen (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
17. Tibshirani R. Regresión encogimiento y selección a través del lazo. J Roy Stat Soc Ser B (1996) 58: 267 – 88.
18. Zou H, Hastie T. Regularización y selección de variables a través de la red elástica. J Roy Stat Soc Ser B (2005) 67: 301 – 20. 10.1111 / j.1467-9868.2005.00503.x [Cross Ref.]
19. Theodoridis S. Machine Learning: una perspectiva bayesiana y de optimización. Londres: prensa académica; (2015).
20. Delong ER, Delong DM, Clarke-Pearson DL. Comparando las áreas bajo dos o más curvas de características operativas del receptor correlacionadas: un enfoque no paramétrico. Biometría (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Cross Ref.]
21. Cho SH, Kwon JH. Una validación de la versión coreana de la Escala de Trastornos de los Juegos de Internet (K-IGDS): resultados de una muestra comunitaria de adultos. Coreano J Clin Psychol. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [Cross Ref.]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW, Cheng C. Propiedades psicométricas de la escala china del trastorno de los juegos de Internet. Adicto Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Cross Ref.]
23. Burke Quinlan E, Dodakian L, See J, Mckenzie A, Le V, Wojnowicz M, et al. . La función neural, la lesión y el subtipo de accidente cerebrovascular predicen las ganancias del tratamiento después del accidente cerebrovascular. Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
24. Pariyadath V, Stein EA, Ross TJ. La clasificación de aprendizaje automático de la conectividad funcional en estado de reposo predice el estado de fumador. Frente Hum Neurosci. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
25. Fedota JR, Stein EA. Conectividad funcional en estado de reposo y adicción a la nicotina: perspectivas para el desarrollo de biomarcadores. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
26. Ahn WY, Ramesh D, Moeller FG, Vassileva J. Utilidad de los enfoques de aprendizaje automático para identificar marcadores de comportamiento para trastornos por uso de sustancias: dimensiones de la impulsividad como predictores de la dependencia actual de la cocaína. Psiquiatría delantera (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
27. Ahn WY, Vassileva J. Machine-learning identifica marcadores de comportamiento específicos de sustancias para la dependencia de opiáceos y estimulantes. Dependen de drogas alcohol (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Predicción de la autoexclusión de los juegos de azar en línea: un análisis del rendimiento de los modelos de aprendizaje automático supervisados. Int Gambl Stud. (2016) 16: 193–210. 10.1080 / 14459795.2016.1151913 [Cross Ref.]
29. Ding WN, Sun JH, Sun YW, Zhou Y, Li L, Xu JR y otros. . Conectividad funcional en estado de reposo de la red predeterminada modificada en adolescentes con adicción a los juegos de Internet. PloS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
30. Meng Y, Deng W, Wang H, Guo W, Li T. La disfunción prefrontal en personas con trastornos de los juegos de Internet: un metanálisis de los estudios funcionales de imágenes de resonancia magnética. Adicto a Biol. (2015) 20: 799 – 808. 10.1111 / adb.12154 [PubMed] [Cross Ref.]
31. Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L, et al. . Se modificó la conectividad funcional en estado de reposo de la ínsula en adultos jóvenes con trastornos de los juegos de Internet. Adicto a Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
32. Cai C, Yuan K, Yin J, Feng D, Bi Y, Li Y, et al. . La morfometría del estriado se asocia con déficits de control cognitivo y la gravedad de los síntomas en el trastorno de los juegos de Internet. Behav imágenes de cerebro (2016) 10: 12 – 20. 10.1007 / s11682-015-9358-8 [PubMed] [Cross Ref.]
33. Parque C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. ¿Está el cerebro adicto a los juegos de Internet cerca de estar en un estado patológico? Adicto a Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Cross Ref.]
34. Kuss DJ, Griffiths MD. Adicción a los juegos de Internet: una revisión sistemática de la investigación empírica. Int J Ment Health Addict. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Cross Ref.]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Aplicaciones clínicas del conectoma funcional. Neuroimagen (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
36. Tollenaar N, Van Der Heijden P. ¿Qué método predice mejor la reincidencia ?: una comparación de modelos predictivos estadísticos, de aprendizaje automático y de minería de datos. J Roy Stat Soc Ser A (2013) 176: 565 – 84. 10.1111 / j.1467-985X.2012.01056.x [Cross Ref.]