Anomalías de la microestructura en adolescentes con trastorno de adicción a Internet. (2011)

Materiales y Métodos Notable

Todos los procedimientos de investigación fueron aprobados por el Subcomité de Estudios Humanos del Hospital de China Occidental y se realizaron de acuerdo con la Declaración de Helsinki.

2.1 Temas

De acuerdo con los criterios de Young Diagnostic Questionnaire for Adicción a Internet (YDQ) de Beard and Wolf [ 16 ], [ 29 ], dieciocho estudiantes de primer año y segundo año con IAD (hombres 12, edad media = 19.4 ± 3.1 años, educación 13.4 ± 2.5 años) participaron en nuestro estudio. Los criterios YDQ [ 16 ] consistió en las siguientes ocho preguntas de "sí" o "no" que fueron: (1) ¿Se siente absorto en Internet (recuerde la actividad en línea anterior o la próxima sesión en línea deseada)? (2) ¿Se siente satisfecho con el uso de Internet si aumenta la cantidad de tiempo en línea? (3) ¿No pudo controlar, reducir o abandonar el uso de Internet repetidamente? (4) ¿Te sientes nervioso, temperamental, deprimido o sensible cuando intentas reducir o abandonar el uso de Internet? (5) ¿Permaneces en línea más tiempo del que originalmente pensaste? (6) ¿Ha corrido el riesgo de perder una relación importante, laboral, educativa o profesional debido a Internet? (7) ¿Ha mentido a sus familiares, terapeutas u otras personas para ocultar la verdad de su participación en Internet? (8) ¿Utiliza Internet como una forma de escapar de los problemas o para aliviar un estado de ánimo ansioso (por ejemplo, sentimientos de impotencia, culpabilidad, ansiedad o depresión)? Todas las ocho preguntas fueron traducidas al chino. Young afirmó que cinco o más respuestas de "sí" a las ocho preguntas indicaban un usuario dependiente de Internet [ 16 ]. Más tarde, Beard y Wolf modificaron los criterios de YDQ. [ 29 ], y los encuestados que respondieron “sí” a las preguntas 1 a 5 y al menos a cualquiera de las tres preguntas restantes se clasificaron como adictos a Internet, que se utilizó para la detección de los sujetos en el presente estudio. La adicción fue un proceso gradual, por lo que investigamos si había o no cambios lineales en la estructura del cerebro. La duración de la enfermedad se estimó mediante un diagnóstico retrospectivo. Les pedimos a los sujetos que recordaran su estilo de vida cuando inicialmente eran adictos a Internet. Para garantizar que sufrían de adicción a Internet, los volvimos a probar con los criterios YDQ modificados por Beard y Wolf. También confirmamos la confiabilidad de los autoinformes de los sujetos IAD hablando con sus padres por teléfono. Los sujetos de IAD dedicaron 10.2 ± 2.6 horas al día a juegos en línea. Los días de uso de Internet por semana fue de 6.3 ± 0.5. También verificamos esta información de los compañeros de cuarto y de clase de los sujetos de la DIA que a menudo insistían en estar en Internet a altas horas de la noche, perturbando la vida de los demás a pesar de las consecuencias. Dieciocho años emparejados por edad y género (p> 0.01) controles sanos (12 hombres, edad media = 19.5 ± 2.8 años, educación 13.3 ± 2.0 años) sin antecedentes personales o familiares de trastornos psiquiátricos también participaron en nuestro estudio. Según un estudio anterior de la DIA [ 19 ], elegimos controles saludables que pasaron menos de 2 horas por día en Internet. Los controles sanos también se probaron con los criterios YDQ modificados por Beard y Wolf para asegurarse de que no estaban sufriendo de IAD. Todos los participantes reclutados seleccionados fueron hablantes nativos de chino, nunca usaron sustancias ilegales y eran diestros. Antes de la exploración por imágenes de resonancia magnética (MRI), se realizó un examen de detección de drogas en la orina en todos los sujetos para excluir el abuso de sustancias. Los criterios de exclusión para ambos grupos fueron (1) la existencia de un trastorno neurológico; (2) abuso de alcohol, nicotina o drogas; (3) embarazo o período menstrual en mujeres; y (4) cualquier enfermedad física como un tumor cerebral, hepatitis o epilepsia según se evalúe de acuerdo con las evaluaciones clínicas y los registros médicos. Además, se utilizaron la Escala de ansiedad de autoevaluación (SAS) y la Escala de depresión de autoevaluación (SDS) para evaluar los estados emocionales de todos los participantes el día de las exploraciones. Todos los pacientes y controles sanos dieron su consentimiento informado por escrito. Se dio información demográfica más detallada en Tabla 1.

Metodología y análisis de datos de imágenes cerebrales de 2.2

Parámetros de escaneo 2.2.1.

Los datos de imágenes se realizaron en un escáner 3T Siemens (Allegra; Siemens Medical System) en el Huaxi MR Research Center, West China Hospital de la Universidad de Sichuan, Chengdu, China. Se utilizó una bobina de cabeza de jaula de pájaros estándar, junto con almohadillas de espuma de restricción para minimizar el movimiento de la cabeza y disminuir el ruido del escáner. Las secuencias de imágenes se adquirieron por medio de imágenes ponderadas por difusión con imágenes planas de eco de disparo único en alineación con el plano comisural anterior-posterior. Se adquirieron imágenes de tensor de difusión con promedios 2. Los gradientes de sensibilización de difusión se aplicaron en direcciones no lineales 30 (b = 1000 s / mm²) junto con una adquisición sin ponderación de difusión (b = 0 s / mm²). Los parámetros de imagen fueron cortes axiales continuos 45 con un grosor de corte de 3 mm y sin espacio, campo de visión = 240 x 240 mm², tiempo de repetición / tiempo de eco = 6800 / 93 ms, matriz de adquisición = 128 × 128. Además, las imágenes axiales 3D T1 ponderadas se obtuvieron con una secuencia de recuperación de degradado degradada y los siguientes parámetros: TR = 1900 ms; TE = 2.26 ms; ángulo de giro = 9⁰; resolución de matriz en el plano = 256 × 256; rebanadas = 176; campo de visión = 256 mm; Tamaño del vóxel = 1 × 1 × 1 mm.

2.2.2 VBM.

Los datos estructurales fueron procesados ​​con un protocolo FSL-VBM. [ 30 ], [ 31 ] con el software FSL 4.1 [ 32 ]. Primero, todas las imágenes de T1 se extrajeron del cerebro utilizando la herramienta de extracción de cerebro (BET) [ 33 ]. A continuación, se llevó a cabo la segmentación del tipo de tejido utilizando la herramienta de segmentación automática de FMRIB (FAST) V4.1 [ 34 ]. Las imágenes de volumen parcial de materia gris resultantes se alinearon luego con el espacio estándar MNI152 utilizando la herramienta de registro de imágenes lineales de FMRIB (FLIRT) [ 35 ], [ 36 ], seguido opcionalmente por un registro no lineal utilizando la herramienta de registro de imágenes no lineal de FMRIB (FNIRT) [ 37 ], [ 38 ], que utiliza una representación b-spline del campo de deformación de registro [ 39 ]. Las imágenes resultantes se promediaron para crear una plantilla específica para el estudio, para la cual las imágenes de materia gris nativas se volvieron a registrar de forma no lineal. El protocolo optimizado introdujo una modulación para la contracción / ampliación debido al componente no lineal de la transformación: cada vóxel de la imagen de materia gris registrada fue dividido por el jacobiano del campo de deformación. Finalmente, para elegir el mejor kernel de suavizado, todas las imágenes de volumen de materia gris normalizadas, moduladas con 32 se suavizaron con kernels gaussianos isotrópicos que aumentaron de tamaño (sigma = 2.5, 3, 3.5 y 4 mm, correspondiente a 6, 7, 8, 9.2, 5000, XNUMX , y XNUMX mm FWHM respectivamente). Los cambios regionales en la materia gris se evaluaron utilizando pruebas no paramétricas basadas en permutación con permutaciones aleatorias XNUMX [ 40 ]. El análisis de covarianza (ANCOVA) se empleó con la edad, los efectos de género y el volumen intracraneal total como covariables. El volumen intracraneal total se calculó como la suma de la materia gris, la materia blanca y los volúmenes de líquido cefalorraquídeo de las segmentaciones BET de FSL. Recientemente, Dong et al. encontraron que los puntajes de depresión y ansiedad eran significativamente más altos después de la adicción en comparación con antes de la adicción en algunos estudiantes universitarios, y sugirieron que estos eran los resultados de la DIA, por lo que SAS y SDS no se incluyeron como factores de confusión [ 41 ]. La corrección para las comparaciones múltiples se llevó a cabo utilizando un método de umbrales basado en clústeres, con un clúster inicial formando un umbral en t = 2.0. Los resultados fueron considerados significativos para p<0.05. Para las regiones donde los sujetos con DAI mostraron un volumen de materia gris significativamente diferente al de los controles, los volúmenes de materia gris de estas áreas se extrajeron, promediaron y retrocedieron en función de la duración de la adicción a Internet.

2.2.3 DTI.

Calculamos el valor de FA para cada vóxel, que reflejó el grado de anisotropía de difusión dentro de un vóxel (el rango 0-1, donde los valores más pequeños indicaron más difusión isotrópica y menos coherencia y los valores grandes indicaron la dependencia direccional del movimiento browniano debido a los tractos de materia blanca) [ 42 ]. El software FDT en FSL 4.1 se utilizó para el cálculo de FA [ 32 ]. En primer lugar, la corrección de corrientes de Foucault y el movimiento de la cabeza se realizó mediante un registro afín en el primer volumen ponderado sin difusión de cada sujeto. Las imágenes de FA se crearon ajustando el tensor de difusión a los datos de difusión sin procesar después de la extracción del cerebro utilizando BET [ 33 ]. Luego, se llevó a cabo un análisis estadístico a nivel de voxel de los datos de FA utilizando la estadística espacial basada en tracto (TBSS) V1.2 parte de FSL [ 43 ], [ 44 ]. Las imágenes de FA de todos los sujetos (sujetos IAD y controles sanos) se alinearon en una imagen de espacio estándar FMRIB58_FA por FNIRT [ 37 ], [ 38 ] utilizando una representación b-spline del campo de deformación de registro [ 39 ]. La imagen media de FA se creó y se adelgazó para crear un esqueleto de FA medio (umbral de 0.2) que representa los centros de todos los tractos comunes al grupo. Los datos de FA alineados de cada sujeto se proyectaron de nuevo en este esqueleto. Los cambios en el valor de FA de la materia blanca se evaluaron mediante pruebas no paramétricas basadas en permutación [ 40 ] Con permutaciones aleatorias 5000. ANCOVA se empleó con efectos de edad y género como covariables. La corrección para comparaciones múltiples se llevó a cabo utilizando un método de umbrales basado en clústeres, con un umbral inicial de formación de conglomerados de t = 2.0. Los resultados fueron considerados significativos para p<0.05. Para los grupos en los que los sujetos con adicción a Internet mostraron valores de FA significativamente diferentes de los controles, se extrajeron los FA de estas regiones del cerebro, se promediaron y retrocedieron con respecto a la duración de la adicción a Internet.

2.2.4 Interacción entre la materia gris y las anomalías de la materia blanca.

Para investigar las interacciones entre los cambios de la materia gris y las alteraciones de la materia blanca, se realizó un análisis de correlación entre los volúmenes anormales de materia gris y los valores de FA de la materia blanca en el grupo IAD.

Resultados

Resultados de 3.1 VBM

Los cambios regionales en el volumen de materia gris se evaluaron de forma no paramétrica utilizando VBM optimizado. La corrección para comparaciones múltiples se llevó a cabo utilizando un método de umbrales basado en clústeres. La comparación VBM entre sujetos IAD y controles sanos emparejados indicó una disminución del volumen de la materia gris en varios grupos, es decir, el DLPFC bilateral, el área motora suplementaria (SMA), el OFC, el cerebelo y el ACC rostral izquierdo (RACC), después de controlar la posibilidad de confusión Variables incluyendo edad, efectos de género y volumen intracraneal total. Los volúmenes de materia gris del DLPFC derecho, el rACC izquierdo y el SMA derecho mostraron una correlación negativa con los meses de adicción a Internet (r1 = −0.7256, p1 <0.005; r2 = −0.7409, p2 <0.005; r3 = −0.6451, p3 <0.005). Ninguna región del cerebro mostró un mayor volumen de materia gris que los controles sanos, como se muestra en Figura 1 y XNUMX y Tabla 2

  

 

 

 

 

 

 

 

 

 

Figura 1. Resultados VBM.

A. Reducción del volumen de materia gris en sujetos IAD, (1-p) corregido pImágenes de valor. La imagen de fondo es la plantilla estándar MNI152_T1_1mm_brain en FSL. B. Los volúmenes de materia gris del DLPFC, rACC y SMA se correlacionaron negativamente con la duración de la adicción a Internet.

  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Tabla 2. Regiones que mostraron un volumen anormal de materia gris y materia blanca FA (anisotropía fraccional) entre sujetos con trastorno de adicción a Internet (DIA) y controles sanos (p<0.05 corregido).

doi: 10.1371 / journal.pone.0020708.t002

Resultados 3.2 DTI

Con respecto al análisis de datos DTI, la corrección para comparaciones múltiples se llevó a cabo utilizando el método de umbrales basado en clústeres. Nuestros resultados de TBSS revelaron un valor de FA mejorado (IAD: 0.78 ± 0.04; control: 0.56 ± 0.02) de la extremidad posterior izquierda de la cápsula interna (PLIC) en sujetos con IAD en comparación con controles sanos y valor de FA reducido (IAD: 0.31 ± 0.04; control: 0.48 ± 0.03) en la sustancia blanca dentro del giro parahipocampal derecho (PHG) como se muestra en Figura 2 y XNUMX y Tabla 2. Además, la FA tendió a correlacionarse positivamente con la duración de la adicción a Internet en el PLIC izquierdo (r = 0.5869, p <0.05), mientras que no se observó una correlación significativa entre el valor de FA del PHG correcto y la duración de la adicción a Internet

  

 

 

 

 

 

 

 

 

 

 

 

 

Figura 2. Resultados DTI.

A. Estructuras de materia blanca que muestran FA anormal en sujetos IAD, (1-p) corregido pImágenes de valor. La imagen de fondo es la plantilla estándar de FMRIB58_FA_1mm en FSL. Los vóxeles rojo-amarillos representan regiones en las que la FA se redujo significativamente en la IAD en relación con los controles sanos. Los vóxeles de Blue-Light Blue representan un aumento de FA en IAD. B. La FA del PLIC se correlacionó positivamente con la duración de la adicción a Internet.

doi: 10.1371 / journal.pone.0020708.g002

3.3 Interacción entre la materia gris y las anomalías de la materia blanca.

El análisis de interacción entre los volúmenes de materia gris y los valores de FA de la materia blanca en el grupo IAD reveló que no hubo correlaciones significativas entre estas dos medidas.

Discusión Notable

La DAI produjo un deterioro del bienestar psicológico individual, un fracaso académico y un rendimiento laboral reducido entre los adolescentes. [ 12 ]–[ 18 ]. Sin embargo, actualmente no existe un tratamiento estandarizado para la IAD. El desarrollo de métodos efectivos para la intervención y el tratamiento de la DIA requerirá primero establecer una comprensión clara de los mecanismos. El conocimiento de las anomalías estructurales del cerebro en la DIA es fundamental para identificar posibles farmacoterapias para tratar este trastorno. En el presente estudio, descubrimos cambios en el volumen de la materia gris y cambios en la FA de la materia blanca en adolescentes con IAD. También revelamos la asociación entre estas anomalías estructurales y la duración de la adicción a internet. Sugerimos que la DIA provocó cambios estructurales en el cerebro en los adolescentes y estas anomalías estructurales probablemente se asociaron con trastornos funcionales en el control cognitivo.

Resultados de 4.1 VBM

Consistente con un estudio VBM previo [ 21 ], no encontramos regiones cerebrales que muestren un mayor volumen de materia gris en sujetos de adicción a Internet. La comparación regional del volumen de materia gris indicó atrofia dentro de varios grupos para todo el grupo de adictos a Internet (p <0.05, corregido), que fueron el DLPFC bilateral, SMA, cerebelo, OFC y el rACC izquierdo (como se muestra en Figura 1 y XNUMX). Además, la atrofia del DLPFC derecho, el CCRD izquierdo y la SMA derecha se correlacionaron negativamente con la duración de la adicción a Internet, que Zhou et al. no pudo detectar [ 21 ]. Estos resultados demostraron que a medida que persistía la adicción a Internet, la atrofia cerebral de DLPFC, RACC y SMA era más grave. Algunos resultados de la atrofia cerebral en nuestro estudio fueron diferentes de los hallazgos anteriores [ 21 ], lo que puede deberse a los diferentes métodos de procesamiento de datos. En el presente estudio, los posibles efectos de confusión de la edad, el sexo y el volumen cerebral total se incluyeron como covariables, que el estudio anterior no tuvo en cuenta. Los diferentes métodos de procesamiento posiblemente dieron lugar a los diferentes hallazgos.

Según estudios previos de drogadicción, abuso de sustancias a largo plazo. [ 45 ], [ 46 ] y adicción a internet [ 11 ], [ 20 ] conducirá a un deterioro del control cognitivo. El control cognitivo se puede conceptualizar como la capacidad de suprimir respuestas prepotentes pero incorrectas y la capacidad de filtrar la información irrelevante dentro de un conjunto de estímulos y permitir que las acciones apropiadas satisfagan las demandas de tareas complicadas y la adaptación a los entornos cambiantes. [ 47 ]. Numerosos estudios funcionales de imágenes cerebrales han revelado que el DLPFC y el RACC estaban centralmente involucrados en el control cognitivo [ 48 ], [ 49 ]. Diferentes estudios neurocognitivos han revelado que el control cognitivo está relacionado con un circuito cortico-subcortical específico, incluido el RACC y el DLPFC. [ 50 ], [ 51 ]. Según una prominente hipótesis de monitoreo de conflictos. [ 47 ], [ 52 ], la ocurrencia de un conflicto de respuesta es señalada por el RACC, lo que lleva al reclutamiento de la DLPFC para un mayor control cognitivo para el desempeño posterior. Este importante papel del DLPFC se ha identificado en investigaciones de neurociencia con procesos reguladores de control cognitivo de arriba hacia abajo. [ 53 ]. Recientes estudios de neuroimagen también han revelado la desactivación del RACC en una tarea GO / NOGO en individuos dependientes de heroína [ 54 ], [ 55 ] y consumidores de cocaína [ 45 ], indicando el papel crítico del rACC en el control cognitivo. [ 46 ].

También se piensa que la OFC contribuye al control cognitivo de la conducta dirigida hacia el objetivo a través de la evaluación de la importancia motivacional de los estímulos y la selección de la conducta para obtener los resultados deseados. [ 56 ]. La OFC tiene conexiones extensas con el estriado y las regiones límbicas (como la amígdala). Como resultado, la OFC está bien situada para integrar la actividad de varias áreas límbicas y subcorticales asociadas con el comportamiento motivacional y el procesamiento de recompensas [ 57 ]. Algunos estudios en animales han demostrado que el daño tanto de la OFC como de la corteza prelímbica de rata (el homólogo funcional de la DLPFC humana) impidió la adquisición y modificación del comportamiento guiado por las contingencias entre las respuestas y los resultados, lo que indica que estas regiones pueden ser cruciales para la Control cognitivo de la conducta dirigida hacia el objetivo. [ 56 ], [ 58 ].

El SMA es crítico para la selección del comportamiento apropiado, ya sea seleccionando ejecutar una respuesta apropiada o seleccionando inhibir una respuesta inapropiada [ 59 ]. Algunos investigadores detectaron que tanto las tareas GO / NOGO simples como las complejas estaban involucradas en la SMA y revelaron el importante papel de la SMA en la mediación del control cognitivo [ 46 ], [ 60 ].

Varios estudios de imágenes anatómicas, fisiológicas y funcionales sugieren que el cerebelo contribuye a funciones cognitivas de orden superior [ 61 ]–[ 64 ], con lesiones discretas en el cerebelo que provocan un deterioro de las funciones ejecutivas y de la memoria de trabajo, incluso en cambios de personalidad tales como comportamiento desinhibido e inadecuado.

Nuestros resultados (Figura 1 y XNUMX) del volumen reducido de materia gris en DLPFC, rACC, OFC, SMA y cerebelo pueden estar asociados, al menos en parte, con el control cognitivo y las disfunciones del comportamiento dirigido a objetivos en la adicción a internet [ 15 ], [ 19 ], [ 20 ], [ 28 ], lo que puede explicar los síntomas fundamentales de la adicción a internet.

Resultados 4.2 DTI

Calculamos el valor de FA en cada vóxel de materia blanca para cada sujeto, que cuantificó la fuerza de direccionalidad de la microestructura del tracto local. La comparación de todo el cerebro en voxel sobre el esqueleto de la materia blanca mediante pruebas de permutación y un umbral estadístico estricto indicó que los sujetos con IAD tenían valores de FA más bajos en un grupo dentro del PHG correcto (p <0.05, corregido). Por otro lado, la búsqueda de un aumento de FA en sujetos con DAI mostró que los sujetos con DAI tenían valores de FA más altos en un grupo dentro del PLIC izquierdo (p <0.05, corregido). Además, el valor de FA del PLIC izquierdo se correlacionó positivamente con la duración de la adicción a Internet (Figura 2 y XNUMX).

El PHG es una región del cerebro que rodea al hipocampo y desempeña un papel importante en la codificación y recuperación de la memoria. [ 65 ], [ 66 ]. El PHG proporciona la mayor entrada polisensorial al hipocampo a través de las conexiones entorrinales y es el receptor de diferentes combinaciones de información sensorial [ 67 ], [ 68 ], que intervienen en la cognición y regulación emocional. [ 69 ]. Recientemente, algunos investigadores sugirieron que el PHG correcto contribuye a la formación y el mantenimiento de la información vinculada en la memoria de trabajo [ 70 ]. La memoria de trabajo está dedicada al almacenamiento temporal y la manipulación en línea de la información y es fundamental para el control cognitivo [ 71 ]. El hallazgo de que el valor de FA más bajo del PHG en sujetos con DAI demostró que las propiedades anormales de la sustancia blanca pueden ser la base estructural de los déficits funcionales de la memoria de trabajo en los sujetos con DAI [ 19 ]. Recientemente, Liu et al. [ 72 ] informó un aumento de ReHo en el PHG bilateral en estudiantes universitarios de IAD en comparación con los controles y sugirió que este resultado reflejaba el cambio funcional en el cerebro, posiblemente relacionado con las vías de recompensa. Evidentemente, se necesita más trabajo para comprender el papel preciso del PHG en la IAD.

Anatómicamente, la cápsula interna es un área de materia blanca en el cerebro que separa el núcleo caudado y el tálamo del núcleo lenticular, que contiene axones ascendentes y descendentes. Además de las fibras corticoespínicas y corticopontinas, la cápsula interna contiene fibras tálamocorticales y corticofugales. [ 73 ], [ 74 ]. La extremidad posterior de la cápsula interna contiene fibras corticoespinales, fibras sensoriales (incluyendo el lemnisco medial y el sistema anterolateral) del cuerpo y algunas fibras corticobulbares. [ 73 ]–[ 76 ]. La corteza motora primaria envía sus axones a través de la extremidad posterior de la cápsula interna y desempeña funciones importantes en el movimiento de los dedos y las imágenes motoras. [ 77 ], [ 78 ]. La posible razón de los valores de FA en la mejora de la cápsula interna fue que los sujetos con DIA pasaron más tiempo jugando juegos de computadora y las acciones motoras repetitivas, como hacer clic con el mouse y el teclado, cambiaron la estructura de la cápsula interna. Como los hallazgos de que el entrenamiento modificó la estructura cerebral en otros estudios. [ 79 ]–[ 81 ], este entrenamiento a largo plazo probablemente cambió la estructura de la materia blanca del PLIC. Transmisión de información entre regiones cerebrales frontales y subcorticales que modulan el funcionamiento cognitivo superior y los comportamientos humanos [ 82 ], [ 83 ], que se basó en las fibras de materia blanca que pasan a través de la cápsula interna [ 83 ], [ 84 ]. Las anomalías estructurales en la cápsula interna podrían interferir con la función cognitiva y afectar las funciones ejecutivas y de memoria. [ 85 ]. El valor de FA anormal del PLIC izquierdo puede influir en la transferencia y el procesamiento de la información sensorial y, finalmente, conducir a deficiencias en el control cognitivo [ 86 ], [ 87 ]. Además, ser adicto a internet puede causar molestias físicas o problemas médicos como: síndrome del túnel carpiano, sequedad de ojos, dolor de espalda y fuertes dolores de cabeza. [ 88 ]–[ 90 ]. El valor de FA anormal del PLIC izquierdo puede explicar el síndrome del túnel carpiano en sujetos con DIA, que debe verificarse con un diseño más sofisticado en el futuro.

4.3 Interacción entre la materia gris y las anomalías de la materia blanca.

Hemos investigado la relación entre la sustancia gris y las alteraciones de la sustancia blanca. Desafortunadamente, no hubo correlaciones significativas entre estas dos medidas. Este fenómeno sugirió que los cambios morfológicos de la IAD en la materia gris y la materia blanca del cerebro no tenían una correlación lineal significativa. Existía la posibilidad de que las anomalías de la materia gris vincularan las alteraciones de la materia blanca de alguna otra manera. Sin embargo, nuestros hallazgos demostraron que las características estructurales de la sustancia gris y la sustancia blanca eran anormales en los adolescentes con DAI.

Existen algunas limitaciones del estudio actual. En primer lugar, aunque nuestros resultados han indicado que los cambios en la materia gris y la sustancia blanca pueden ser la consecuencia del uso excesivo de Internet o IAD, no podemos excluir otra posibilidad que aborda la diferencia estructural entre los controles normales y la IAD que puede ser la causa del uso excesivo de Internet. Las características anormales de estas regiones cerebrales relacionadas con el control cognitivo en algunos adolescentes los hacen relativamente inmaduros y les permiten depender fácilmente de Internet. Los problemas de causa y consecuencia deben investigarse mediante un diseño experimental más completo en el estudio futuro. Sin embargo, sugerimos que los hallazgos del presente estudio fueron consecuencia de la DAI. En segundo lugar, con respecto a la relación entre los cambios estructurales y la duración de la DAI, los meses de la DAI son una caracterización burda por el recuerdo de los sujetos de la DAI. Les pedimos a los sujetos que recordaran su estilo de vida cuando inicialmente eran adictos a Internet. Para garantizar que sufrían de adicción a Internet, los volvimos a probar con los criterios YDQ modificados por Beard y Wolf. También confirmamos la fiabilidad de los autoinformes de los sujetos de la DAI hablando con sus padres por teléfono. Los cambios estructurales cerebrales de acuerdo con el proceso de adicción pueden ser más cruciales para comprender la enfermedad, por lo que se llevó a cabo la correlación entre la duración y las medidas estructurales cerebrales. Estas correlaciones sugirieron que se encontraron efectos acumulativos en el volumen reducido de materia gris del DLPFC derecho, el SMA derecho, el rACC izquierdo y el aumento de FA de materia blanca en el PLIC izquierdo. Finalmente, aunque sugerimos que las anomalías estructurales del volumen de la sustancia gris y la sustancia blanca FA se asociaron con deterioros funcionales en el control cognitivo en la DAI, la mayor limitación del presente estudio es la falta de indicación cuantitativa de los déficits en el control cognitivo en estos adolescentes con DAI. Aunque las relaciones entre estas anomalías estructurales y la duración de la adicción a Internet se verificaron en nuestro estudio actual, aún es necesario investigar con mayor detalle la naturaleza de las anomalías estructurales subyacentes en la DAI en el futuro, lo cual es fundamental para comprender el impacto de la DAI sobre el funcionamiento a largo plazo. En el futuro, integraremos estos hallazgos estructurales con desempeños conductuales de tareas cognitivas en sujetos con DAI. En general, los cambios de FA y los cambios en el volumen de la materia gris, como se muestra en el presente estudio, indicaron una alteración en el cerebro a nivel microestructural, lo que mejoró nuestra comprensión de la IAD.

Conclusión

Proporcionamos evidencias que indican que los sujetos con DIA tuvieron múltiples cambios estructurales en el cerebro. La atrofia de la materia gris y los cambios de FA de la materia blanca en algunas regiones del cerebro se correlacionaron significativamente con la duración de la adicción a Internet. Estos resultados pueden interpretarse, al menos parcialmente, como el deterioro funcional del control cognitivo en la IAD. Las anomalías de la corteza prefrontal fueron consistentes con estudios previos de abuso de sustancias [ 23 ], [ 48 ], [ 80 ], [ 81 ]Por lo tanto, sugerimos que pueden existir mecanismos parcialmente superpuestos en la DAI y el uso de sustancias. Esperamos que nuestros resultados mejoren nuestra comprensión de la DIA y ayuden a mejorar el diagnóstico y la prevención de la DIA.

AGRADECIMIENTOS Notable

Nos gustaría agradecer a Qin Ouyang, Qizhu Wu y Junran Zhang por su valiosa asistencia técnica para llevar a cabo esta investigación.

Referencias Notable

1. Ernst M, Pine D, Hardin M (2006) Modelo triádico de la neurobiología del comportamiento motivado en la adolescencia. Medicina psicológica 36: 299 – 312. Encuentra este artículo en línea
2. Csikszentmihalyi M, Larson R, Prescott S (1977) La ecología de la actividad y la experiencia de los adolescentes. Revista de juventud y adolescencia 6: 281 – 294. Encuentra este artículo en línea
3. Casey B, Tottenham N, Liston C, Durston S (2005) Imágenes del cerebro en desarrollo: ¿qué hemos aprendido sobre el desarrollo cognitivo? Tendencias en Ciencias Cognitivas 9: 104 – 110. Encuentra este artículo en línea
4. Casey B, Galvan A, Hare T (2005) Cambios en la organización funcional cerebral durante el desarrollo cognitivo. Opinión actual en neurobiología 15: 239 – 244. Encuentra este artículo en línea
5. Ernst M, Nelson E, Jazbec S, McClure E, Monk C, et al. (2005) Amígdala y núcleo accumbens en respuesta a la recepción y omisión de ganancias en adultos y adolescentes. Neuroimagen 25: 1279 – 1291. Encuentra este artículo en línea
6. May J, Delgado M, Dahl R, Stenger V, Ryan N, et al. (2004) Imagen de resonancia magnética funcional relacionada con eventos de circuitos cerebrales relacionados con la recompensa en niños y adolescentes. Psiquiatría Biológica 55: 359 – 366.
7. Galván A, Hare T, Parra C, Penn J, Voss H, et al. (2006) El desarrollo temprano de los accumbens en relación con la corteza orbitofrontal podría ser la base del comportamiento de riesgo en los adolescentes. Journal of Neuroscience 26: 6885 – 6892. Encuentra este artículo en línea
8. Steinberg L (2005) Desarrollo cognitivo y afectivo en la adolescencia. Tendencias en Ciencias Cognitivas 9: 69 – 74. Encuentra este artículo en línea
9. Pine D, Cohen P, Brook J (2001) Reactividad emocional y riesgo para la psicopatología en adolescentes. Espectros CNS 6: 27 – 35. Encuentra este artículo en línea
10. Silveri M, Tzilos G, Pimentel P, Yurgelun-Todd D (2004) Trayectorias del desarrollo emocional y cognitivo de los adolescentes: efectos del sexo y riesgo de consumo de drogas. Anales de la Academia de Ciencias de Nueva York 1021: 363 – 370. Encuentra este artículo en línea
11. Cao F, Su L, Liu T, Gao X (2007) La relación entre la impulsividad y la adicción a Internet en una muestra de adolescentes chinos. Psiquiatría europea 22: 466 – 471. Encuentra este artículo en línea
12. Ko C, Yen J, Chen S, Yang M, Lin H, et al. (2009) Criterios de diagnóstico propuestos y la herramienta de detección y diagnóstico de la adicción a Internet en estudiantes universitarios. Psiquiatría integral 50: 378 – 384. Encuentra este artículo en línea
13. Flisher C (2010) Cómo conectarse: una descripción general de la adicción a Internet. Revista de pediatría y salud infantil 46: 557 – 559. Encuentra este artículo en línea
14. Christakis D (2010) La adicción a Internet: ¿una epidemia del siglo x de 21? BMC medicina 8: 61. Encuentra este artículo en línea
15. Chou C, Condron L, Belland J (2005) Una revisión de la investigación sobre la adicción a Internet. Revisión de la psicología educativa 17: 363 – 388. Encuentra este artículo en línea
16. Young K (1998) Adicción a Internet: la aparición de un nuevo trastorno clínico. CyberPsychology & Behavior 1: 237–244. Encuentra este artículo en línea
17. Morahan-Martin J, Schumacher P (2000) Incidencia y correlatos del uso patológico de Internet entre estudiantes universitarios. Computadoras en comportamiento humano 16: 13 – 29. Encuentra este artículo en línea
18. Scherer K (1997) Vida universitaria en línea: uso de Internet saludable e insalubre. Diario de desarrollo de estudiantes universitarios 38: 655 – 665. Encuentra este artículo en línea
19. Ko C, Liu G, Hsiao S, Yen J, Yang M, et al. (2009) Actividades cerebrales asociadas con el impulso de los juegos de la adicción a los juegos en línea Revista de investigación psiquiátrica 43: 739 – 747. Encuentra este artículo en línea
20. 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. Letras de Neurociencia 485: 138 – 142. Encuentra este artículo en línea
21. Zhou Y, Lin F, Du Y, Qin L, Zhao Z, et al. (2009) Anormalidades de la materia gris en la adicción a Internet: un estudio de morfometría basado en voxel. Revista Europea de Radiología. doi10.1016 / j.ejrad.2009.1010.1025.
22. Jun L, Xue-ping G, Osunde I, Xin L, Shun-ke Z, et al. (2010) Aumento de la homogeneidad regional en el trastorno de adicción a Internet: estudio de imágenes de resonancia magnética funcional en estado de reposo. Revista médica china 123: 1904 – 1908. Encuentra este artículo en línea
23. Yuan K, Qin W, Dong M, Liu J, Sun J, et al. (2010) Déficits de materia gris y anomalías en el estado de reposo en individuos abstinentes dependientes de heroína. Letras de Neurociencia 482: 101 – 105. Encuentra este artículo en línea
24. Yuan K, Qin W, Liu J, Guo Q, Dong M, et al. (2010) Se modificaron las redes funcionales del cerebro en el mundo pequeño y la duración del uso de heroína en individuos dependientes de heroína abstinentes masculinos. Letras de Neurociencia 477: 37 – 42. Encuentra este artículo en línea
25. Yuan K, Qin W, Dong M, Liu J, Liu P, et al. (2010) Combinación de información espacial y temporal para explorar los cambios en las redes en estado de reposo en individuos abstinentes dependientes de heroína. Letras de Neurociencia 475: 20 – 24. Encuentra este artículo en línea
26. Liu J, Liang J, Qin W, Tian J, Yuan K, et al. (2009) Patrones de conectividad disfuncionales en usuarios crónicos de heroína: un estudio fMRI. Letras de Neurociencia 460: 72 – 77. Encuentra este artículo en línea
27. Volkow N, Fowler J, Wang G (2003) El cerebro humano adicto: conocimientos de estudios de imágenes. Revista de investigación clínica 111: 1444 – 1451. Encuentra este artículo en línea
28. Ko C, Hsiao S, Liu G, Yen J, Yang M, et al. (2010) Las características de la toma de decisiones, el potencial de asumir riesgos y la personalidad de los estudiantes universitarios con adicción a Internet. Investigación en psiquiatría 175: 121 – 125. Encuentra este artículo en línea
29. Beard K, Wolf E (2001) Modificación de los criterios diagnósticos propuestos para la adicción a Internet. CyberPsychology & Behavior 4: 377–383. Encuentra este artículo en línea
30. Ashburner J, Friston K (2000) Morfometría basada en vóxels: los métodos. Neuroimagen 11: 805 – 821. Encuentra este artículo en línea
31. Good C, Johnsrude I, Ashburner J, Henson R, Fristen K, et al. (2001) Un estudio morfométrico basado en voxel del envejecimiento en el cerebro humano adulto normal de 465. Neuroimagen 14: 21 – 36. Encuentra este artículo en línea
32. Smith S, Jenkinson M, Woolrich M, Beckmann C, Behrens T, et al. (2004) Avances en el análisis de la imagen de MR funcional y estructural e implementación como FSL. Neuroimagen 23: 208 – 219. Encuentra este artículo en línea
33. Smith S (2002) Extracción cerebral automatizada, rápida y robusta. Mapeo del cerebro humano 17: 143 – 155. Encuentra este artículo en línea
34. Zhang Y, Brady M, Smith S (2001) Segmentación de imágenes de RM cerebral a través de un modelo de campo aleatorio oculto de Markov y el algoritmo de expectativa-maximización. Transacciones IEEE en imágenes médicas 20: 45 – 57. Encuentra este artículo en línea
35. Jenkinson M, Smith S (2001) Un método de optimización global para el registro afín robusto de imágenes cerebrales. Análisis de imágenes médicas 5: 143 – 156. Encuentra este artículo en línea
36. Jenkinson M, Bannister P, Brady M, Smith S (2002) Optimización mejorada para el registro lineal robusto y preciso y corrección de movimiento de imágenes cerebrales. Neuroimagen 17: 825 – 841. Encuentra este artículo en línea
37. Andersson J, Jenkinson M, Smith S (2007) Optimización no lineal. FMRIB Analysis Group Informes técnicos: TR07JA02 de www.fmrib.ox.ac.uk/analysis/techrep.
38. Andersson J, Jenkinson M, Smith S (2007) Registro no lineal, también conocido como normalización espacial. FMRIB Analysis Group Informes técnicos: TR07JA02 de www.fmrib.ox.ac.uk/analysis/techrep.
39. Rueckert D, Sonoda L, Hayes C, Hill D, Leach M, et al. (2002) Registro no rígido mediante deformaciones de forma libre: aplicación a imágenes de RM de mama. Transacciones IEEE en imágenes médicas 18: 712 – 721. Encuentra este artículo en línea
40. Nichols T, Holmes A (2002) Pruebas de permutación no paramétricas para neuroimagen funcional: un manual con ejemplos. Mapeo del cerebro humano 15: 1 – 25. Encuentra este artículo en línea
41. Dong G, Lu Q, Zhou H, Zhao X, Miles J (2011) Precursor o Sequela: trastornos patológicos en personas con trastorno de adicción a Internet. PloS one 6: 306 – 307. Encuentra este artículo en línea
42. Beaulieu C (2002) La base de la difusión anisotrópica de agua en el sistema nervioso: una revisión técnica. RMN en biomedicina 15: 435 – 455. Encuentra este artículo en línea
43. Smith S, Jenkinson M, Johansen-Berg H, Rueckert D, Nichols T, et al. (2006) Estadísticas espaciales basadas en el tracto: análisis voxelwise de datos de difusión de múltiples sujetos. Neuroimagen 31: 1487 – 1505. Encuentra este artículo en línea
44. Smith S, Johansen-Berg H, Jenkinson M, Rueckert D, Nichols T, et al. (2007) Adquisición y análisis voxelwise de datos de difusión de múltiples sujetos con estadísticas espaciales basadas en tractos. Protocolos de la naturaleza 2: 499 – 503. Encuentra este artículo en línea
45. Kaufman J, Ross T, Stein E, Garavan H (2003) Hipoactividad cingulada en usuarios de cocaína durante una tarea GO-NOGO como lo revela la imagen de resonancia magnética funcional relacionada con eventos. Journal of Neuroscience 23: 7839 – 7843. Encuentra este artículo en línea
46. Li C, Sinha R (2008) Control inhibitorio y regulación del estrés emocional: evidencia de neuroimagen para la disfunción frontal-límbica en la adicción a psicoestimulantes. Reseñas de neurociencia y bioconducta 32: 581–597. Encuentra este artículo en línea
47. Botvinick M, Braver T, Barch D, Carter C, Cohen J (2001) Monitoreo de conflictos y control cognitivo. Revisión psicológica 108: 624 – 652. Encuentra este artículo en línea
48. Krawczyk D (2002) Contribuciones de la corteza prefrontal a la base neural de la toma de decisiones humana. Reseñas de Neurociencia y Bioconducta 26: 631–664. Encuentra este artículo en línea
49. Wilson S, Sayette M, Fiez J (2004) Respuestas prefrontales a señales de drogas: un análisis neurocognitivo. Nature Neuroscience 7: 211 – 214. Encuentra este artículo en línea
50. Barber A, Carter C (2005) Control cognitivo involucrado en la superación de las tendencias de respuesta prepotentes y el cambio entre tareas. Corteza cerebral 15: 899 – 912. Encuentra este artículo en línea
51. MacDonald A, Cohen J, Stenger V, Carter C (2000) Disociando el papel del córtex cingulado anterior prefrontal y dorsolateral en el control cognitivo. Ciencia 288: 1835 – 1838. Encuentra este artículo en línea
52. Botvinick M, Nystrom L, Fissell K, Carter C, Cohen J (1999) Monitoreo de conflictos versus selección para la acción en la corteza cingulada anterior. Naturaleza 402: 179 – 180. Encuentra este artículo en línea
53. Vanderhasselt M, De Raedt R, Baeken C (2009) Corteza prefrontal dorsolateral y rendimiento de Stroop: abordar la lateralización. Boletín y revisión psiconómicos 16: 609–612. Encuentra este artículo en línea
54. Forman S, Dougherty G, Casey B, Siegle G, Braver T, et al. (2004) Los adictos a los opiáceos carecen de activación dependiente del error del cingulado anterior rostral. Psiquiatría Biológica 55: 531 – 537. Encuentra este artículo en línea
55. Fu L, Bi G, Zou Z, Wang Y, Ye E, et al. (2008) Función de inhibición de la respuesta deteriorada en dependientes de heroína abstinentes: un estudio de resonancia magnética funcional. Letras de Neurociencia 438: 322 – 326. Encuentra este artículo en línea
56. Rollos E (2000) La corteza orbitofrontal y la recompensa. Corteza cerebral 10: 284 – 294. Encuentra este artículo en línea
57. Groenewegen H, Uylings H (2000) La corteza prefrontal y la integración de información sensorial, límbica y autónoma. Avances en la investigación del cerebro 126: 3 – 28. Encuentra este artículo en línea
58. Balleine B, Dickinson A (1998) Acción instrumental dirigida a objetivos: aprendizaje por contingencia e incentivo y sus sustratos corticales. Neurofarmacología 37: 407 – 419. Encuentra este artículo en línea
59. Simmonds D, Pekar J, Mostofsky S (2008) Meta-análisis de las tareas Ir / No-ir que demuestra que la activación de fMRI asociada con la inhibición de la respuesta es dependiente de la tarea. Neuropsychologia 46: 224 – 232. Encuentra este artículo en línea
60. Ray Li C, Huang C, Constable R, Sinha R (2006) Inhibición de la respuesta de imagen en una tarea de paro de señal: neural se correlaciona independientemente del monitoreo de la señal y el procesamiento posterior a la respuesta. Journal of Neuroscience 26: 186 – 192. Encuentra este artículo en línea
61. Raymond J, Lisberger S, Mauk M (1996) El cerebelo: ¿una máquina de aprendizaje neuronal? Ciencia 272: 1126 – 1131. Encuentra este artículo en línea
62. Schmahmann J, Sherman J (1998) El síndrome afectivo cognitivo cerebeloso. Cerebro 121: 561 – 579. Encuentra este artículo en línea
63. Desmond J (2001) Participación cerebelosa en la función cognitiva: evidencia de neuroimagen. Revista Internacional de Psiquiatría 13: 283 – 294. Encuentra este artículo en línea
64. Heyder K, Suchan B, Daum I (2004) Contribuciones cortico-subcorticales al control ejecutivo. Acta Psychologica 115: 271 – 289. Encuentra este artículo en línea
65. Wagner A, Schacter D, Rotte M, Koutstaal W, Maril A, et al. (1998) Construyendo memorias: recordando y olvidando experiencias verbales como lo predice la actividad cerebral. Ciencia 281: 1188 – 1191. Encuentra este artículo en línea
66. Tulving E, Markowitsch H, Craik F, Habib R, Houle S (1996) Activaciones de novedad y familiaridad en estudios PET de codificación y recuperación de memoria. Corteza cerebral 6: 71 – 79. Encuentra este artículo en línea
67. Powell H, Guye M, Parker G, Symms M, Boulby P, et al. (2004) Demostración in vivo no invasiva de las conexiones del giro parahipocampal humano. Neuroimagen 22: 740 – 747. Encuentra este artículo en línea
68. BURWELL R (2000) La región parahipocampal: conectividad corticocortical. Anales de la Academia de Ciencias de Nueva York 911: 25 – 42. Encuentra este artículo en línea
69. Zhu X, Wang X, Xiao J, Zhong M, Liao J, y otros. (2010) Integridad alterada de la materia blanca en el primer episodio de adultos jóvenes sin tratamiento previo con trastorno depresivo mayor: un estudio de estadísticas espaciales basado en el tracto. Investigación del cerebro 1396: 223 – 229. Encuentra este artículo en línea
70. Suerte D, Danion J, Marrer C, Pham B, Gounot D, et al. (2010) El giro parahipocampal correcto contribuye a la formación y el mantenimiento de la información vinculada en la memoria de trabajo. Cerebro y cognición 72: 255 – 263. Encuentra este artículo en línea
71. Engle R, Kane M (2003) Atención ejecutiva, capacidad de memoria de trabajo y una teoría de control cognitivo de dos factores. Psicología del aprendizaje y la motivación 44: 145 – 199. Encuentra este artículo en línea
72. Jun L, Xue-ping G, Osunde I, Xin L, Shun-ke Z, et al. Aumento de la homogeneidad regional en el trastorno de adicción a Internet: estudio de imágenes de resonancia magnética funcional en estado de reposo. Revista médica china 123: 1904 – 1908. Encuentra este artículo en línea
73. Padre A, Carpenter M (1996) Neuroanatomía humana de Carpenter: Williams & Wilkins.
74. Wakana S, Jiang H, Nagae-Poetscher L, van Zijl P, Mori S (2004) Atlas de la materia blanca humana basado en fibra Anatomy1. Radiología 230: 77 – 87. Encuentra este artículo en línea
75. Andersen R, Knight P, Merzenich M (1980) Las conexiones tálamocortical y corticotalámico de la IA, la AII y el campo auditivo anterior (AFF) en el gato: evidencia de dos sistemas de conexiones en gran parte empalmados. La revista de neurología comparativa 194: 663 – 701. Encuentra este artículo en línea
76. Winer J, Diehl J, Larue D (2001) Proyecciones de la corteza auditiva al cuerpo geniculado medial del gato. La revista de neurología comparativa 430: 27 – 55. Encuentra este artículo en línea
77. Schnitzler A, Salenius S, Salmelin R, Jousm ki V, Hari R (1997) Participación de la corteza motora primaria en las imágenes motoras: un estudio neuromagnético. Neuroimagen 6: 201 – 208. Encuentra este artículo en línea
78. Shibasaki H, Sadato N, Lyshkow H, Yonekura Y, Honda M, et al. (1993) Tanto la corteza motora primaria como el área motora suplementaria desempeñan un papel importante en el movimiento complejo de los dedos. Cerebro 116: 1387 – 1398. Encuentra este artículo en línea
79. Draganski B, Gaser C, Busch V, Schuierer G, Bogdahn U, et al. (2004) Neuroplasticidad: cambios en la materia gris inducidos por el entrenamiento. Naturaleza 427: 311 – 312. Encuentra este artículo en línea
80. Boyke J, Driemeyer J, Gaser C, Buchel C, May A (2008) Cambios en la estructura del cerebro inducidos por el entrenamiento en los ancianos. Journal of Neuroscience 28: 7031 – 7035. Encuentra este artículo en línea
81. Scholz J, Klein MC, Behrens TEJ, Johansen-Berg H (2009) El entrenamiento induce cambios en la arquitectura de la materia blanca. Nature Neuroscience 12: 1370 – 1371. Encuentra este artículo en línea
82. Cummings JL (1993) Circuitos frontales subcorticales y comportamiento humano. Archivos de neurología 50: 873 – 880. Encuentra este artículo en línea
83. Cummings JL (1995) Aspectos anatómicos y de comportamiento de los circuitos subcortales frontales. Anales de la Academia de Ciencias de Nueva York 769: 1 – 14. Encuentra este artículo en línea
84. Albin RL, Young AB, Penney JB (1989) La anatomía funcional de los trastornos de los ganglios basales. Tendencias en las neurociencias 12: 366 – 375. Encuentra este artículo en línea
85. Levitt JJ, Kubicki M, Nestor PG, Ersner-Hershfield H, Westin C, et al. (2010) Un estudio de imágenes con tensor de difusión de la extremidad anterior de la cápsula interna en la esquizofrenia. Investigación en psiquiatría 184: 143 – 150. Encuentra este artículo en línea
86. Werring D, Clark C, Barker G, Miller D, Parker G y col. (1998) Los mecanismos estructurales y funcionales de la recuperación motora: uso complementario del tensor de difusión y la resonancia magnética funcional en una lesión traumática de la cápsula interna. Revista de Neurología, Neurocirugía y Psiquiatría 65: 863–869. Encuentra este artículo en línea
87. Niogi S, Mukherjee P, Ghajar J, Johnson C, Kolster R, et al. (2008) La extensión de la lesión microestructural de la sustancia blanca en el síndrome postconcusivo se correlaciona con el tiempo de reacción cognitiva alterada: un estudio de imágenes de tensor de difusión 3T de lesión cerebral traumática leve. American Journal of Neuroradiology 29: 967 – 973. Encuentra este artículo en línea
88. Young K (1999) Adicción a Internet: síntomas, evaluación y tratamiento. Innovaciones en la práctica clínica: un libro fuente 17: 19 – 31. Encuentra este artículo en línea
89. Beard K (2005) Adicción a Internet: una revisión de las técnicas de evaluación actuales y posibles preguntas de evaluación. CyberPsychology & Behavior 8: 7–14. Encuentra este artículo en línea
90. Culver J, Gerr F, Frumkin H (1997) Información médica en Internet. Diario de medicina interna general 12: 466 – 470.