El análisis basado en la red revela una conectividad funcional relacionada con la tendencia a la adicción a Internet (2016)

Frente Hum Neurosci. 2016; 10: 6.

Publicado en línea 2016 Feb 1. doi 10.3389 / fnhum.2016.00006

PMCID: PMC4740778

Tanya Wen^1,^2,^* y Shulan hsieh^1,^3,^4,^*

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

Resumen

La preocupación y el uso compulsivo de internet pueden tener efectos psicológicos negativos, por lo que se reconoce cada vez más como un trastorno mental. El presente estudio empleó estadísticas basadas en la red para explorar cómo las conexiones funcionales de todo el cerebro en reposo se relacionan con el nivel de adicción a Internet del individuo, indexado por un cuestionario autoevaluado. Identificamos dos redes topológicamente significativas, una con conexiones que están correlacionadas positivamente con la tendencia a la adicción a internet y otra con conexiones negativamente correlacionadas con la tendencia a la adicción a internet. Las dos redes están interconectadas principalmente en las regiones frontales, lo que podría reflejar alteraciones en la región frontal para diferentes aspectos del control cognitivo (es decir, para el control del uso de Internet y las habilidades de juego). A continuación, clasificamos el cerebro en varios grandes subgrupos regionales, y encontramos que la mayoría de las proporciones de conexiones en las dos redes corresponden al modelo cerebeloso de adicción que abarca el modelo de cuatro circuitos.

Por último, observamos que las regiones del cerebro con la mayoría de las conexiones interregionales asociadas con la tendencia a la adicción a Internet replican las que se ven a menudo en la literatura sobre la adicción, y están corroboradas por nuestro metanálisis de los estudios de adicción a Internet. Esta investigación proporciona una mejor comprensión de las redes a gran escala involucradas en la tendencia a la adicción a internet y muestra que los niveles preclínicos de adicción a internet están asociados con regiones y conexiones similares como los casos clínicos de adicción.

Palabras clave: adicción a internet, estadísticas basadas en red, conectividad funcional, estado de reposo, metanálisis

Introducción

Adicción a Internet (OReilly, 1996; Joven, xnumx) es un fenómeno moderno que se caracteriza por la preocupación y el uso compulsivo de internet. En particular, el trastorno de los juegos de Internet (IGD) se ha incluido en la Sección III del Manual estadístico y de diagnóstico, versión 5 (DSM-5).^®, Asociación Americana de Psiquiatría [APA], 2013). Debido a la falta de un criterio estándar, algunas publicaciones consideraron la terminología dos como sinónimos (ver Petry y O'Brien, 2013; Petry et al., 2014 para una discusión); sin embargo, el uso compulsivo y excesivo de internet para cualquier actividad (a la que nos referiremos en esta literatura como adicción a internet) es más global que su subtipo principal IGD, que puede incluir múltiples formas de uso de internet además de los juegos en línea (Griffiths y Pontes, 2014; Király et al., 2014; Petry et al., 2014). Nuestro estudio actual investiga la adicción a internet de forma más general. De manera similar a los trastornos por uso de sustancias, la adicción a internet muestra síntomas de abstinencia, tolerancia, pérdida de control y problemas psicosociales, lo que lleva a un trastorno o deterioro clínicamente significativo en el funcionamiento diario. La prevalencia parece ser la más alta de los países asiáticos y en los adolescentes varones, y se estima que oscila entre 14.1 y 16.5% (intervalo de confianza del porcentaje de 95) entre estudiantes universitarios de Taiwan en un estudio (Lin y otros, 2011). El fenómeno ha estado atrayendo más atención en los últimos años y claramente merece más investigación.

La resonancia magnética funcional (IRMf) se ha empleado para identificar los sustratos neuronales de la adicción a Internet, que resultó mostrar firmas cerebrales similares con adicciones relacionadas con sustancias (Kuss y Griffiths, 2012; Brand et al., 2014; Meng et al., 2015). En estudios bloqueados y relacionados con eventos, varias regiones asociadas con la recompensa, la adicción y el deseo se han identificado al contrastar las claves de los juegos de Internet con la línea de base, que incluye la ínsula, el núcleo accumbens (NAc), la corteza prefrontal dorsolateral (DLPFC) y la frontal orbital corteza (OFC) (Hoeft et al., 2008; Ko et al., 2009; Han et al., 2010; Sun et al., 2012; Ko et al., 2013). Sin embargo, los enfoques basados en la activación contrastan la actividad relacionada con la señal y no abordan cómo interactúan las regiones del cerebro, por lo que no pueden caracterizar conexiones funcionales alteradas asociadas con medidas clínicas o de comportamiento; sin embargo, los trastornos humanos son el resultado de perturbaciones en un sistema complejo interconectado (Fornito y Bullmore, 2015). La introducción de la IRMf en estado de reposo ha demostrado ser una herramienta poderosa para estudiar la conectividad neuronal del cerebro completo (van den Heuvel y Pol, 2010). La conectividad funcional en estado de reposo se evalúa mediante la correlación de las fluctuaciones espontáneas de las señales dependientes del nivel de oxígeno en la sangre (BOLD) en diferentes regiones del cerebro y se piensa que proporciona una medida de su organización funcional y puede ayudar a caracterizar las sincronizaciones anormales entre las regiones del cerebro En el espectro de los fenotipos psicológicos. (Biswal et al., 2010; Craddock et al., 2013).

Aunque ha habido algunos estudios que han empleado la conectividad funcional para investigar la conectividad funcional alterada asociada con la adicción a internet, la mayoría de los estudios usaron regiones de semillas elegidas a priori, ya sea (a) que correlacionan una región de semillas con los voxels restantes de todo el cerebro [Hoeft et al., 2008 utiliza el NAc; Lorenz et al., 2013 utiliza el giro frontal inferior derecho (IFG); Ding et al., 2013 utiliza la corteza cingulada posterior (PCC); Ko et al., 2015 utiliza la amígdala; Zhang et al., 2015 utiliza la ínsula Hong et al., 2015 Utiliza el núcleo caudado y el putamen; Kühn y Gallinat, 2015 utiliza el polo frontal derecho; Li et al., 2015 usó el DLPFC correcto] o (b) realizando correlaciones entre múltiples ROI predefinidas seleccionadas de redes significativas (Yuan et al., 2015 examinó la red ejecutiva central y la red de atención; Dong et al., 2015b examinó la red de control ejecutivo; Dong et al., 2015a examinó la red de control ejecutivo y la red de recompensa; Li et al., 2014 examinó la red de inhibición de respuesta; Lin y otros, 2015 examinó seis ROI corticostriatales bilaterales predefinidos). Las regiones de semillas predefinidas examinadas solo representan una pequeña proporción del cerebro, por lo que es posible que no puedan proporcionar una imagen completa de cómo el conectoma se ve afectado por la adicción a Internet.

Muy pocos estudios han usado un enfoque de cerebro completo para estudiar la adicción a Internet. Por lo que sabemos, actualmente solo hay cuatro artículos publicados que adoptaron un enfoque de cerebro completo, y sus métodos son bastante variables, desde estadísticas basadas en la red (NBS; Hong et al., 2013) a topológico (Hong et al., 2013; Wee et al., 2014; Park et al., 2015) a una conectividad homotópica con duplicación de voxel (Wang et al., 2015). En particular, Hong et al. (2013) empleó NBS para identificar las diferencias entre los grupos en la conectividad funcional interregional y encontró conexiones dañadas involucradas en los circuitos cortico-subcorticales en pacientes con adicción a internet. Sin embargo, su estudio se centró en un pequeño tamaño de muestra de una población única (adolescentes varones).

Por lo tanto, en nuestro documento actual, decidimos utilizar un enfoque de conectividad de cerebro completo, NBS (Zalesky et al., 2010a; Han et al., 2013), para identificar conexiones funcionales que sean predictivas de la tendencia a la adicción a internet. NBS es un método estadístico validado para tratar el problema de comparaciones múltiples en un gráfico, es análogo a los métodos basados en clústeres (Nichols y Holmes, 2002), y se utiliza para identificar conexiones y redes que comprenden el conectoma humano que están asociadas con un efecto experimental o una diferencia entre grupos al probar la hipótesis de forma independiente en cada conexión. Además, nuestros resultados se compararán con un metanálisis de artículos existentes relacionados con los correlatos neuronales de la adicción a Internet. Esperamos extender la literatura existente de varias maneras: (1) Esperamos proporcionar una imagen más completa de la adicción a Internet mediante el uso de análisis de todo el cerebro en lugar de usar solo un pequeño número de regiones de semillas predefinidas. (2) Aunque existe un par de estudios de conectividad funcional de todo el cerebro sobre la adicción a Internet (por ejemplo, Hong et al., 2013; Wang et al., 2015), los estudios compararon grupos de adicción a internet con controles saludables. Nuestro estudio no incluyó pacientes clínicos, pero caracterizó la tendencia a la adicción a Internet como un gradiente. Esperamos identificar conexiones funcionales cuya fuerza esté modulada por el nivel de adicción. (3) La mayoría de los estudios de adicción a Internet no han tenido en cuenta el cerebelo, sin embargo, el cerebelo ha sido implicado como una región importante en la adicción (Moulton et al., 2014). Así, hemos incluido el cerebelo en nuestro análisis. (4) Muchos estudios han limitado su grupo participante a los hombres y, a menudo, contienen tamaños de muestra relativamente pequeños (por ejemplo, Hong et al., 2013, 2015; Kühn y Gallinat, 2015). Para aumentar la generalización y el poder de estos estudios, se necesitan muestras que contengan ambos sexos y un tamaño de muestra más grande (Li et al., 2015). Al abordar los problemas anteriores, el estudio actual espera proporcionar una mejor comprensión de cómo la conectividad funcional se asocia con la tendencia a la adicción a Internet.

Materiales y Métodos

Meta-Análisis

Se construyó un metanálisis utilizando la base de datos NeuroSynth (http://neurosynth.org; Yarkoni et al., 2011). Se realizó un análisis personalizado utilizando los términos de búsqueda "adicción", "adicto", "internet", "juego", "juego" y "en línea" para identificar estudios relacionados con la adicción a internet en la base de datos. Los criterios de inclusión se verificaron manualmente, y una lista de los estudios incluidos se detalla en los Materiales complementarios 1. Se incluyeron un total de estudios de 18. Las coordenadas de activación de pico, así como su vecindad de voxeles 6 mm se extrajeron de los estudios incluidos. A continuación, se realizó un metanálisis de estas coordenadas, que produjo inferencia hacia delante y reverencia de todo el cerebro. z- mapas de puntuación. Los mapas de inferencia hacia adelante reflejan la probabilidad de que una región se active dados estos términos [P(activación | términos)], por lo tanto nos informa de la consistencia de activación para los términos dados. El mapa de inferencia inversa muestra la probabilidad de que estos términos se usen en un estudio dada la presencia de activación reportada [P(términos | activación)]; por lo tanto, una región que está activada indica que es más probable que sea un estudio relacionado con la adicción a Internet que un estudio no relacionado con la adicción a Internet, lo que refleja la selectividad de esa región. Debido a que tanto la inferencia directa como la inversa desempeñan un papel importante para ayudarnos a entender las regiones asociadas con la adicción a Internet, superponemos estos dos mapas de inferencia para delinear sus regiones comunes. Se reportan grupos mayores de cinco voxels.

RMN en estado de reposo

Participantes

Cuarenta y siete participantes sanos (hombres 21 y mujeres 26) del sur de Taiwán, la mayoría de los cuales son estudiantes o personal de la universidad, fueron reclutados a través de anuncios, para participar en el experimento (rango de edad = 19 – 29 años, edad media = 22.87 años, SD = 2.22 años). Los participantes eran diestros (indicados por el Inventario de Edredones de Edimburgo), tenían una visión normal o corregida de la normalidad, y no tenían antecedentes de trastornos psicológicos o neurales. Sus puntuaciones de depresión, ansiedad e inteligencia estaban en el rango normal [puntuación del Inventario de Depresión de Beck (BDI): 0 – 12; Puntuación del Inventario de Ansiedad de Beck (BAI): 0 – 7; Puntuación de la prueba de matrices progresivas estándar de Raven: 35 – 57]. La puntuación de la Escala de adicción de Internet de Chen (CIAS-R) de todos los participantes tenía un rango = 28 – 92, media = 60.04, SD = 16.53. Mesa Table11 Resume la información demográfica y las características de comportamiento de los participantes. La normalidad de las puntuaciones CIAS-R se verificó mediante la prueba de Shapiro-Wilk [W(47) = 0.98, p = 0.50]. No hubo una correlación significativa entre el género y la puntuación CIAS-R (ρ = 0.15 de Spearman, p = 0.30). Todos los participantes dieron su consentimiento informado por escrito, y el protocolo del estudio fue aprobado (NO: B-ER-101-144) por la Junta de Revisión Institucional (IRB) del Hospital Nacional de la Universidad de Cheng Kung, Tainan, Taiwán. A todos los participantes se les pagó 500 NTD después de completar el experimento.

Información demográfica y características de comportamiento.

Cuestionario revisado de la escala de adicción a Internet de Chen (CIAS-R)

La escala de adicción a Internet de Chen revisada (CIAS-R; Chen et al., 2003) es una medida 26-item usada para evaluar la gravedad de la adicción a internet. El CIAS-R se basa en los criterios de comportamiento aditivo del DSM-IV-TR y contiene dos subescalas de adicción a internet (a) Síntomas principales y (b) problemas relacionados, evaluando cinco dimensiones, incluido el uso compulsivo de internet (1) y el retiro (2). los síntomas cuando se quita Internet, la tolerancia (3), el riesgo (4) de las relaciones interpersonales y la salud física, y los problemas de gestión del tiempo (5). Los artículos se clasifican en una escala Likert de 4-punto, con puntajes totales que van desde 26 a 104, lo que refleja una tendencia de adicción a Internet de alta a baja. Se ha demostrado que el CIAS-R tiene una alta consistencia interna (α = 0.79 – 0.93 de Cronbach; Chen et al., 2003) y alta precisión diagnóstica (AUC = 89.6%; Ko et al., 2005). En el presente estudio, la puntuación total CIAS-R se utilizó como un indicador del estado actual de los participantes de la adicción a Internet.

Adquisición y procesamiento de imágenes

Las imágenes se realizaron con el escáner GE MR750 3T (GE Healthcare, Waukesha, WI, EE. UU.) En el centro de resonancia magnética de la Universidad Nacional Cheng Kung. Las imágenes anatómicas de alta resolución se adquirieron usando SPGR rápido, que consiste en cortes axiales 166 (TR = 7.6 ms, TE = 3.3 ms, ángulo de giro 171 = 12 °, matrices de 224 x matrices de 224, grosor de corte = 1 mm). Las imágenes funcionales se adquirieron utilizando una secuencia de pulso de imágenes de eco planar en gradiente (EPI) (TR = 2000 ms, TE = 30 ms, ángulo de giro = 77 °, matrices 64 × matrices 64, grosor de corte = 4 mm, sin separación, tamaño de voxel 3.4375 mm × 3.4375 mm × 4 mm, cortes axiales 32 que cubren todo el cerebro).

Se pidió a los participantes que se relajaran y se tumbaran en el escáner con los ojos cerrados. Se les pidió que no pensaran en ningún evento en particular mientras escaneaban. El tiempo de escaneo para la imagen estructural fue de aproximadamente 3.6 mín. La imagen funcional duró aproximadamente 8 min, y los primeros cinco TR sirvieron como escaneos ficticios para asegurar que la señal haya alcanzado un estado estable antes de que se recopilen los datos; por lo tanto, una ejecución consiste en imágenes de volumen EPI de 240 para análisis.

Los datos se procesaron previamente utilizando el Asistente de procesamiento de datos para fMRI en estado de reposo (DPARSF; Yan y Zang, 2010), que se basa en funciones en MRIcroN (Rorden et al., 2007^¹), así como el software Statistical Parametric Mapping (SPM^²) y el kit de herramientas de análisis de datos fMRI en estado de reposo (REST; Song et al., 2011) en Matlab (The MathWorks, Inc., Natick, MA, EE. UU.). Las imágenes funcionales se sometieron a una corrección de tiempo de corte, seguida de una realineación para corregir el movimiento de la cabeza mediante transformaciones de cuerpo rígido de seis parámetros. El movimiento general, caracterizado por el desplazamiento medio de la imagen (FD), no fue grande (media = 0.05, SD = 0.03) y no se correlacionó con las puntuaciones CIAS-R (ρ = -0.28 de Spearman, p = 0.055), por lo tanto, la impulsividad no es un factor de confusión en la puntuación y el movimiento de la adicción a Internet (Kong et al., 2014). Las imágenes de T1 fueron corregidas a imágenes funcionales. Las imágenes estructurales se segmentaron en LCR, materia blanca y materia gris en función de los mapas de probabilidad de tejido en el espacio MNI, y estos cálculos se utilizaron en la subsiguiente normalización de las imágenes T1 y EPI al espacio MNI. Los datos se suavizaron en el dominio espacial utilizando un núcleo gaussiano de 6 mm de ancho total a la mitad del máximo (FWHM) y se eliminaron de la tendencia lineal. Las covariables molestas, incluida la señal media global, la señal de sustancia blanca y la señal del líquido cefalorraquídeo, se eliminaron. Aunque si realizar la regresión de señal global sigue siendo una controversia en curso (por ejemplo, Saad et al., 2012), decidimos implementar este método porque se ha sugerido maximizar la especificidad de las correlaciones funcionales y mejorar la correspondencia entre las correlaciones de estado de reposo y la anatomía (Fox et al., 2009; Weissenbacher et al., 2009; Takeuchi et al., 2014). Finalmente, las imágenes se sometieron a filtrado de paso de banda de 0.01 – 0.08 Hz.

Análisis de Datos

Las imágenes de fMRI se parcelaron según el etiquetado automático anatómico (AAL; Tzourio-Mazoyer et al., 2002) plantilla, que divide el cerebro según la estructura anatómica en ROI (o nodos) de 116. Elegimos el atlas AAL porque ha sido la parcelación más utilizada en los estudios de redes funcionales (Stanley et al., 2013) y fue también la plantilla utilizada por Hong et al. (2013), cuyo estudio es más relevante para el nuestro, lo que aumenta el grado de comparabilidad entre los estudios (Zalesky et al., 2010b). El método NBS se utilizó para identificar redes cerebrales que consisten en conectividad funcional interregional que muestra una correlación significativa con la puntuación CIAS-R. Los siguientes análisis se realizaron con la ayuda de Network Based Statistic Toolbox (Zalesky et al., 2010a) con scripts adicionales de Matlab. Se construyó una matriz de correlación 116 × 116 para cada participante utilizando los cursos de tiempo extraídos de cada ROI. El de Pearson r los valores se normalizaron a Z puntajes utilizando Fisher Z transformación. Cada celda de la matriz de correlación representa la fuerza de la conexión (o borde) entre dos nodos. Se realizaron pruebas univariadas masivas utilizando la correlación de rango de Spearman entre las puntuaciones CIAS-R de los participantes y las fortalezas de los bordes dentro de cada borde para identificar las conexiones relevantes que eran predictivas de la puntuación CIAS-R. Los bordes candidatos que mostraron una alta predictibilidad de la puntuación CIAS-R se seleccionaron mediante un umbral primario de rho de Spearman> 0.37 y <-0.37 (aproximadamente el alfa de una cola = 0.005) respectivamente, para identificar las redes que están asociadas positiva y negativamente con CIAS- Puntaje R. A continuación, se identificaron agrupaciones topológicas, conocidas como componentes de gráficos conectados, entre las conexiones supra-umbral. Se calculó un error familiar (FWE) para el tamaño del componente mediante la prueba de permutación (3000 permutaciones), que implicó reordenar aleatoriamente las puntuaciones CIAS-R y repetir el proceso anterior en cada permutación para obtener una distribución nula del tamaño del componente más grande. Componentes de gráficos conectados cuyo tamaño exceda el estimado FWE corregido p-Los valores de corte de <0.05 se identificaron como redes que están significativamente relacionadas con la tendencia a la adicción a Internet. Visor BrainNet (Xia et al., 2013) fue utilizado para la visualización de conexiones. Una ilustración de la tubería de análisis de datos se muestra en Figura Figura11.

FIGURA 1

Diagrama de flujo de la tubería de análisis de datos. Los cerebros de los participantes fueron preprocesados y parcelados a diferentes regiones estructurales de acuerdo con la plantilla AAL. Se construyó una matriz de correlación utilizando los cursos de tiempo extraídos de cada región para ...

Resultados

Meta-Análisis

Inferencia hacia adelante y hacia atrás zmapas de puntuación fueron generados desde NeuroSynth (mostrado en Figura Figura22). Las activaciones en estos dos mapas muestran una gran semejanza entre sí. La superposición de estos mapas reveló activación en regiones del cerebelo, lóbulo temporal (giros temporales inferiores bilaterales, polo temporal superior derecho y giro temporal medio superior y derecho), varias regiones frontales (giro frontal orbital medio superior e izquierdo, giro frontal frontal medio, opérculo frontal inferior derecho, y giro precentral derecho), putamen bilateral, ínsula bilateral, cingulado medio derecho y precuneus derecho. Mesa Table22 enumera los clústeres identificados, así como las regiones AAL que pertenecen al clúster.

FIGURA 2

Mapas de inferencia del metanálisis realizado en NeuroSynth, que muestran las regiones activas en inferencia directa, inferencia inversa y la superposición de los dos mapas.

Grupos superpuestos de mapas de inferencia hacia adelante y hacia atrás.

RMN en estado de reposo

Conexiones funcionales relacionadas con la tendencia a la adicción a Internet

Usando NBS, identificamos dos redes que mostraron una correlación significativa entre la fuerza del borde y los puntajes CIAS-R (p <0.05, corregido por FWE): uno con bordes correlacionados positivamente con puntajes CIAS-R ("CIAS-R positivo", mostrado en rojo), y uno con bordes correlacionados negativamente con CIAS-R ("CIAS-R negativo", mostrado en azul). La red positiva CIAS-R consta de un total de 65 nodos y 90 bordes (45 intrahemisféricos, 42 interhemisféricos y 3 conectados al vermis), mientras que la red negativa consta de 64 nodos y 89 bordes (35 intrahemisféricos, 40 interhemisféricos y 14 conectando a / dentro del vermis). Es importante señalar que las dos redes no están completamente separadas y comparten un total de 39 nodos, de los cuales el 30.77% son regiones del lóbulo frontal. El número total de bordes relacionados con CIAS-R consiste en el 2.68% de todos los bordes del cerebro. La red se ilustra en Figura Figura33 y las conexiones específicas se enumeran en Materiales complementarios 2, Tabla S1.

FIGURA 3

Red de conexiones que se correlacionan con puntajes CIAS-R. Las esferas grises representan el centroide de cada nodo y se escalan de acuerdo con el número de bordes significativos con los que están asociadas. Solo se muestran los nodos con conexiones. Las líneas rojas representan ...

Distribución global de los bordes involucrados

Para obtener una mejor comprensión de cómo se distribuyen estas conexiones, seguimos Fornito et al. (2011) y Hong et al. (2013)y categorizaron cada región AAL dentro de cada red como pertenecientes a siete subgrupos regionales: frontal, temporal, parietal, occipital, ínsula y cingulada, subcortical y cerebelo. La mayoría de los bordes en la red positiva CIAS-R involucraron conexiones entre las regiones temporales (1) y la grilla gruesa (∼13), la mayoría de las cuales involucra a la circunvolución cingulada posterior que se conecta a varias regiones temporales; (2) regiones frontal y temporal (∼12%), que incluyen conexiones entre la corteza orbitofrontal medial, el lóbulo paracentral y los giros del lóbulo temporal, el polo temporal; y (3) regiones parietales y subcorticales (∼11%), que consisten en conexiones entre la corteza postcentral y el lóbulo parietal superior con el putamen y el pálido. Es interesante observar que, a excepción del lóbulo frontal, todas las demás regiones no tienen ninguna conexión intrarregional cuya fuerza esté correlacionada positivamente con la tendencia a la adicción a Internet. La mayoría de los bordes en la red negativa CIAS-R involucraron conexiones entre (1) el lóbulo frontal y el cerebelo (%19%), la mayoría de los cuales son conexiones entre las regiones orbitales frontales y varias ROI del cerebelo; y (2) circunvalación y glándula cingulada y el lóbulo temporal (UM12%), que comprende conexiones entre la circunvalación de la ínsula, el cíngulo, el parahipocampal y el lóbulo temporal. No se encontraron regiones occipitales incluidas en la red CIAS-R negativa. Las proporciones de las conexiones interregionales de cada red se ilustran en Figura Figura44.

FIGURA 4

Proporción de bordes que se correlacionan positiva y negativamente con la tendencia a la adicción a Internet entre pares de subgrupos regionales. Las proporciones se calcularon dividiendo el número de bordes entre (o dentro de) pares de regiones con el total ...

Nodos maximamente afectados

Debido a la gran cantidad de bordes identificados, seguimos Finn et al. (2014), e identificaron los nodos que tienen una alta "suma de bordes correlacionados con el CIAS-R" para enfocar nuestro análisis en las regiones donde las conexiones están más relacionadas con la tendencia a la adicción a Internet. La suma de los bordes correlacionados con el CIAS-R de un nodo se definió como el número total de sus bordes en las redes CIAS-R positiva y CIAS-R negativa (esto es conceptualmente equivalente a la medida del grado en la teoría de grafos). Este método nos permitirá identificar los nodos en los que es más probable que las conexiones se vean alteradas por la tendencia a la adicción a Internet. El seguimiento Mesa Table33 enumera los nodos que están más afectados y muestra los nodos que tienen al menos una suma de bordes correlacionados con CIAS-R de al menos 8. La visualización de los nodos y sus conexiones se muestra en Figura Figura55. Estos son también los nodos seleccionados para discusión.

Análisis a nivel de nodo de tendencia adicción a internet.

FIGURA 5

Visualización de los nodos con mayor número de bordes relacionados con la tendencia a la adicción a internet. Las esferas verdes representan el centroide de cada nodo con bordes máximos, mientras que las esferas amarillas representan sus compañeros de conectividad funcional. Las líneas rojas indican bordes ...

Discusión

En un grupo normal de adultos jóvenes, evaluamos su nivel de adicción a internet a través de un cuestionario autoevaluado (CIAS-R), e identificamos dos redes cerebrales cuyas conexiones funcionales se correlacionaron positiva y negativamente con la tendencia a la adicción a internet. A continuación, analizamos nuestros resultados a diferentes escalas de observación: (1) las regiones cruciales que vinculan las redes CIAS-R positivas y CIAS-R negativas, (2) regiones con altas proporciones de conexiones relacionadas con la tendencia a la adicción a Internet, y (3 ) Los nodos críticos alterados por la tendencia a la adicción a internet.

Las regiones frontales enlazan las redes positivas CIAS-R y negativas CIAS-R

Observamos que la mayoría de los nodos que enlazan las dos redes (CIAS-R positivo y CIAS-R negativo) se ubican dentro del lóbulo frontal. Estas regiones incluyen la circunvolución frontal superior, la IFG, la circunvolución frontal medial, el opérculo roulínico y el área motora suplementaria. Se ha implicado a la corteza prefrontal como una estructura crítica en el control cognitivo, la inhibición y la selección de respuesta (Aron et al., 2004; Talati y Hirsch, 2005; Forstmann et al., 2008). La adicción a Internet es un fenómeno en el que los adictos disminuyen el autocontrol y la toma de decisiones con respecto al uso de Internet, lo que se refleja en el uso excesivo continuo a pesar de su conocimiento de los efectos negativos. Por ejemplo, varios estudios han encontrado que los participantes con adicción a Internet mostraron una mayor activación fronto-estriada y fronto-parietal durante la tarea Ir / Nogo (Ding et al., 2014; Ko et al., 2014; Chen et al., 2015) y la tarea Stroop (Dong et al., 2012a, 2013, 2014), lo que sugiere una menor inhibición de la respuesta y monitoreo de errores, y un aumento de la impulsividad. Pero, por otro lado, los adictos a Internet y los jugadores de videojuegos a menudo muestran un excelente rendimiento de la función cognitiva, como el control motor y la toma de decisiones eficiente durante el juego. De hecho, se ha demostrado que los efectos de la práctica de los videojuegos se generalizan a una variedad de habilidades ejecutivas mejoradas, que incluyen habilidades de inferencia perceptiva, motora, atencional y probabilística (Verde y Bavelier, 2003; Castel et al., 2005; Dye et al., 2009; Green et al., 2010; Green et al., 2012). Un estudio fMRI encontró un reclutamiento reducido de la red fronto-parietal en jugadores de videojuegos en comparación con los no jugadores durante una tarea de alta demanda de atención, lo que posiblemente refleja un control ejecutivo y de atención más eficiente (Bavelier et al., 2012). Las dos caras del control cognitivo que muestran los adictos a Internet plantean un dilema interesante. En nuestro estudio, la observación de regiones frontales que unen las dos redes donde la conectividad funcional disminuye y aumenta por la tendencia a la adicción a Internet podría reflejar alteraciones en la región frontal para diferentes aspectos del control cognitivo (es decir, para el control del uso de Internet y las habilidades de juego). Vale la pena mencionar que aunque Hong et al. (2013) según la hipótesis de que posiblemente podría haber una mayor conectividad funcional asociada con los efectos de la práctica en adictos a Internet, solo se observó una menor conectividad funcional en su estudio. Una posibilidad propuesta por Hong et al. (2013) Su ausencia de mayor conectividad funcional en individuos adictos a internet fue que su pequeño tamaño de muestra resultó en la falta de poder. Al utilizar el análisis basado en semillas, que requiere menos comparaciones múltiples que los enfoques de cerebro completo, Hong et al. (2015) volvió a analizar los datos de 2013 y observó un aumento y una disminución de la conectividad funcional asociada con la adicción a Internet.

Las conexiones ampliamente distribuidas de las redes de tendencias de adicción a Internet

Los datos muestran un gran número de conexiones inter e intra-hemisféricas en las redes CIAS-R positiva y CIAS-R, lo que refleja la gran influencia de la tendencia de la adicción a Internet en el cerebro. Observamos que la mayor proporción de conexiones en la red positiva CIAS-R involucraba los bordes de “aislamiento y cingulado - temporal", "frontal - temporal" y "subcortical - parietal", mientras que la proporción más alta de conexiones en el CIAS-R La red negativa incluía los bordes "frontal - cerebeloso" y "ínsula y cingulada - temporal" (Figura Figura44). En un modelo de adicción recientemente propuesto (Moulton et al., 2014), el cerebelo ayuda a mantener la homeostasis de los cuatro circuitos interconectados relevantes para la adicción: recompensa / saliencia, motivación / impulso, aprendizaje / memoria, así como control cognitivo. Este modelo integra el modelo de cuatro circuitos (Volkow et al., 2003, 2010) y las redes de estado de reposo funcional del cerebelo relacionadas con el procesamiento ejecutivo y asociativo en la corteza cerebral (Buckner et al., 2011). Los componentes de recompensa / saliencia, motivación / impulso y aprendizaje / memoria se amplifican, mientras que el control cognitivo disminuye en la adicción. Ver Figura Figura66 para una ilustración. Nuestras observaciones de las proporciones de conectividad funcional más altas de las dos redes de tendencia a la adicción a Internet son generalmente compatibles con Moulton et al. (2014) Modelo de los componentes críticos involucrados en el circuito de adicciones. Del mismo modo, no observamos muchas conexiones significativas que comprenden el lóbulo occipital, que también encaja De Hong et al. (2013) recomendaciones. Sin embargo, también encontramos una gran proporción de bordes "subcorticales - parietales" que, aunque no se destacan particularmente en el modelo de cuatro circuitos, estas conexiones se han observado en la literatura sobre adicción a Internet (por ejemplo, Ding et al., 2013; Hong et al., 2013, 2015), lo que podría deberse a un efecto de práctica relacionado con el uso de internet.

FIGURA 6

Un modelo de adicción que destaca el papel modulador del cerebelo de las cuatro redes principales del cerebro que se propone que se vean afectadas por la adicción (adaptado de Moulton et al., 2014). Estos circuitos incluyen recompensa / saliencia, motivación / unidad, aprendizaje / memoria, ...

Nodos críticos alterados por la tendencia a la adicción a Internet

Los nodos identificados con la mayoría de las conexiones están relacionados de manera máxima con la tendencia a la adicción a Internet. Estos nodos son aquellos cuyo patrón de conexiones entre el nodo mismo y otras regiones del cerebro son más susceptibles de alteración por la tendencia a la adicción a Internet. Las regiones son específicamente la circunvolución cingulada posterior bilateral, la ínsula derecha, la circunvolución temporal media derecha, el polo temporal superior izquierdo, el putamen derecho y la parte orbital de la IFG izquierda (Figura Figura55). Estas regiones han sido implicadas como regiones clave en muchos estudios de adicción (Internet) y algunos ya se han mencionado en la sección anterior. Ahora discutimos la literatura sobre la adicción que destaca estas regiones con más detalle. El PCC, parte de la red de modo predeterminado e involucrado en varios aspectos del autoprocesamiento (Buckner et al., 2008; Fransson y Marrelec, 2008), sirvió como región semilla en Ding et al. (2013) estudio, que mostró una conectividad funcional significativamente mayor con el lóbulo posterior del cerebelo bilateral y el giro temporal medio, mientras que disminuyó el lóbulo parietal inferior bilateral y el giro temporal inferior derecho en adictos a los juegos de Internet. También se ha encontrado que los adictos a Internet muestran anisotropía fraccional anormal (Dong et al., 2012b) y densidad de materia gris (Zhou et al., 2011) en el PCC. Zhang et al. (2015) eligió la ínsula, que ha sido implicada en la adicción (Naqvi y Bechara, 2009; Droutman et al., 2015), como la región semilla y encontró una conectividad funcional alterada con una red de regiones en adictos a Internet. Se ha sugerido el papel de la ínsula en la adicción para integrar señales interoceptivas en sentimientos conscientes (impulsos de drogas) y sesgos en el comportamiento durante la toma de decisiones (Naqvi y Bechara, 2009). El giro temporal medio y el polo temporal superior se han observado en algunos estudios de adicción a Internet (ver Meng et al., 2015 para un metanálisis), y se han asociado con la urgencia / deseo del juego, el procesamiento semántico, la desconexión, la memoria de trabajo y el procesamiento emocional; sin embargo, sus roles específicos en la adicción requieren investigaciones adicionales. El putamen, que forma parte del estriado dorsal, también es una región crítica sugerida por muchas investigaciones de adicción (por ejemplo, Ko et al., 2009; Ding et al., 2013; Lin y otros, 2015), en la que la neurotransmisión concomitante de dopamina participa en el desarrollo de la búsqueda compulsiva de drogas y el deseo (Volkow et al., 2006; Koob y Volkow, 2010). Además, la investigación ha sugerido que la disfunción con el circuito estriato-tálamo-orbitofrontal es una causa crucial de la adicción, mientras que el estriado dorsal involucrado en el aprendizaje del hábito y el deseo, la corteza orbitofrontal está involucrada con la saliencia, el impulso y la compulsividad (Volkow y Fowler, 2000; Koob y Volkow, 2010; Volkow et al., 2010; Goldstein y Volkow, 2011). El funcionamiento anormal de la corteza orbitofrontal podría explicar el mal funcionamiento del comportamiento en la adicción. Resumiendo lo anterior, los nodos que identificamos son centros que son más susceptibles de alteración por la tendencia a la adicción a Internet, y se han identificado repetidamente en la literatura existente.

Limitación

Como lo señaló uno de nuestros revisores, el hecho de si realizar una regresión de señal global en la IRMf en estado de reposo sigue siendo un debate actual. Después de volver a analizar los datos actuales sin regresión de señal global, nuestros resultados resultaron bastante diferentes en comparación con nuestro análisis original y solo el 22.91% de los bordes encontrados en los análisis NBS sin regresión de señal global se superponen con los de nuestros resultados actuales. Sin la regresión de señal global, no encontramos suficientes conexiones funcionales que se relacionaran positivamente con las puntuaciones CIAS-R; sin embargo, encontramos una red que comprendía conexiones funcionales que estaban relacionadas negativamente con las puntuaciones CIAS-R. Cuando los nodos con la mayoría de las conexiones están más relacionados con la tendencia a la adicción a Internet, encontramos coherencia con el análisis de regresión de señal global en que las áreas cingulada, ínsula, temporal y frontal fueron las más involucradas. Sin embargo, varias diferencias incluyen el hallazgo adicional de áreas motoras suplementarias bilaterales y giro angular derecho que muestran una conectividad funcional disminuida, y no hubo tantas regiones subcorticales en la red identificada. Si bien la regresión de la señal global sigue siendo controvertida, decidimos informar ambos resultados. Los detalles de la red identificada sin regresión de señal global se documentan en los Materiales complementarios 3. Con suerte, el trabajo futuro en el preprocesamiento de imágenes arrojará luz sobre qué resultado es más preciso. En este momento, sugerimos interpretar los resultados actuales con estas advertencias en mente.

Conclusión

Utilizando un enfoque basado en datos, demostramos que las estadísticas basadas en la red son una herramienta útil para caracterizar la conectividad de todo el cerebro afectada por la tendencia a la adicción a Internet, identificando conexiones y regiones críticas que reflejan estudios anteriores. Comparado con los análisis de semillas, este enfoque de todo el cerebro proporciona un análisis más completo de las conexiones cerebrales relacionadas con la adicción a Internet, investigando un total de conexiones 6670. Además, demostramos que muchas conexiones funcionales y regiones cerebrales críticas en casos clínicos de adicción también se asocian con tendencias preclínicas indexadas por medidas de cuestionarios de comportamiento. Aunque se utiliza un enfoque correlacional, no podemos estar seguros de que estas redes se alteren como resultado del uso de Internet o si son características de personas predispuestas a un mayor riesgo de desarrollar adicción a Internet, esta investigación proporciona información útil para ayudarnos a entender el neural Características subyacentes de la adicción y su desarrollo.

Contribuciones de autor

TW realizó el experimento, analizó los datos, interpretó los resultados, escribió y revisó el manuscrito. SH diseñó el experimento, redactó la propuesta de la subvención, guió la preparación y ejecución del experimento, ayudó a interpretar los datos, a preparar y revisar el manuscrito.

Declaracion de conflicto de interes

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

AGRADECIMIENTOS

Los autores agradecen a Yun-Ting Lee por su ayuda con la recopilación de datos y al profesor Po-Hsien Huang por la consulta estadística. El estudio fue financiado por el Ministerio de Ciencia y Tecnología (MOST), Taiwán (MOST 102-2420-H-006-006-MY2 y MOST 104-2420-H-006-004-2-MYXNUMX). Además, esta investigación fue, en parte, apoyada por el Ministerio de Educación (MoE), Taiwán, ROC The Aim for Top University Project para la Universidad Nacional Cheng Kung (NCKU). Agradecemos al Centro de Investigación e Imagen Mental (MRIC), respaldado por el MOST, en NCKU por la consulta y la disponibilidad de instrumentos. El cuestionario CIAS-R fue proporcionado por Sue-Huei Chen.

Notas a pie de página

¹http://www.mricro.com

²http://www.fil.ion.ucl.ac.uk/spm

Material suplementario

El Material complementario para este artículo se puede encontrar en línea en: http://journal.frontiersin.org/article/10.3389/fnhum.2016.00006

Haga clic aquí para el archivo de datos adicionales.^{(20K, DOCX)}

Haga clic aquí para el archivo de datos adicionales.^{(33K, DOCX)}

Haga clic aquí para el archivo de datos adicionales.^{(258K, DOCX)}

Referencias

Asociación Americana de Psiquiatría [APA] (2013). Manual diagnóstico y estadístico de trastornos mentales (DSM-5)^®). Arlington, VA: American Psychiatric Pub.
Aron AR, Robbins TW, Poldrack RA (2004). Inhibición y la corteza frontal inferior derecha. Tendencias Cogn. Sci. 8 170 – 177. 10.1016 / j.tics.2004.02.010 [PubMed] [Cross Ref.]
Bavelier D., Achtman RL, Mani M., Focker J. (2012). Bases neuronales de la atención selectiva en jugadores de videojuegos de acción. Vis. Res. 61 132 – 143. 10.1016 / j.visres.2011.08.007 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Biswal BB, Mennes M., Zuo XN, Gohel S., Kelly C., Smith SM, et al. (2010). Hacia el descubrimiento de la ciencia del funcionamiento del cerebro humano. Proc. Natl. Acad. Ciencia. EE.UU. 107 4734 – 4739. 10.1073 / pnas.0911855107 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Brand M., Young KS, Laier C. (2014). Control prefrontal y adicción a Internet: un modelo teórico y revisión de los hallazgos neuropsicológicos y de neuroimagen. Frente. Tararear. Neurosci. 8: 375 10.3389 / fnhum.2014.00375 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Buckner RL, Andrews-Hanna JR, Schacter DL (2008). La red predeterminada del cerebro: anatomía, función y relevancia para la enfermedad. Año Cogn. Neurosci. 2008 1 – 38. 10.1196 / anales.1440.011 [PubMed] [Cross Ref.]
Buckner RL, Krienen FM, Castellanos A., Díaz JC, Yeo BTT (2011). La organización del cerebelo humano estimada por conectividad funcional intrínseca. J. Neurofisiol. 106 2322 – 2345. 10.1152 / jn.00339.2011 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Castel AD, Pratt J., Drummond E. (2005). Los efectos de la experiencia de los videojuegos de acción en el curso temporal de la inhibición del retorno y la eficiencia de la búsqueda visual. Acta Psychol. 119 217 – 230. 10.1016 / j.actpsy.2005.02.004 [PubMed] [Cross Ref.]
Chen CY, Huang MF, Yen JY, Chen CS, Liu GC, Yen CF, et al. (2015). El cerebro se correlaciona con la inhibición de la respuesta en el trastorno de los juegos de Internet. Psiquiatría Clin. Neurosci. 69 201 – 209. 10.1111 / pcn.12224 [PubMed] [Cross Ref.]
Chen S., Weng L., Su Y., Wu H., Yang P. (2003). Desarrollo de una escala china de adicción a internet y su estudio psicométrico. Barbilla. J. Psychol. 45 251 – 266. 10.1371 / journal.pone.0098312 [Cross Ref.]
Craddock RC, Jbabdi S., Yan CG, Vogelstein JT, Castellanos FX, Di Martino A., et al. (2013). Imágenes de conectomas humanos en la macroescala. Nat. Métodos 10 524 – 539. 10.1038 / Nmeth.2482 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Ding WN, Sun JH, Sun YW, Chen X., Zhou Y., Zhuang ZG, et al. (2014). La impulsividad del rasgo y la alteración de la función de inhibición del impulso prefrontal en adolescentes con adicción a los juegos de Internet revelada por un estudio IRM Go / No-Go. Behav. Función cerebral. 10:20 10.1186/1744-9081-10-20 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Ding WN, Sun JH, Sun YW, Zhou Y., Li L., Xu JR, y otros. (2013). Red modificada por defecto conectividad funcional en estado de reposo en adolescentes con adicción a los juegos de Internet. PLoS ONE 8: e59902 10.1371 / journal.pone.0059902 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Dong GH, DeVito EE, Du XX, Cui ZY (2012a). Control inhibitorio deteriorado en el "trastorno de adicción a internet": un estudio funcional de imágenes de resonancia magnética. Psiquiatría Res. Neuroimagen 203 153 – 158. 10.1016 / j.pscychresns.2012.02.001 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Dong GH, DeVito E., Huang J., Du XX (2012b). Las imágenes de tensor de difusión revelan anomalías en el tálamo y la corteza cingulada posterior en adictos a los juegos de Internet. J. Psychiatr. Res. 46 1212 – 1216. 10.1016 / j.jpsychires.2012.05.015 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Dong GH, Lin X., Hu YB, Xie CM, Du XX (2015a). El vínculo funcional desequilibrado entre la red de control ejecutivo y la red de recompensas explica los comportamientos de búsqueda de juegos en línea en el trastorno de los juegos de Internet. Sci. Reps. 5: 9197 10.1038 / Srep09197 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Dong GH, Lin X., Potenza MN (2015b). La disminución de la conectividad funcional en una red de control ejecutivo está relacionada con una función ejecutiva deteriorada en el trastorno de los juegos de Internet. Prog. Neuro-Psychopharmacol. Biol. Psiquiatría 57 76 – 85. 10.1016 / j.pnpbp.2014.10.012 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Dong GH, Lin X., Zhou HL, Lu QL (2014). Flexibilidad cognitiva en adictos a internet: evidencia de fMRI de situaciones de conmutación difíciles y fáciles. Adicto. Behav. 39 677 – 683. 10.1016 / j.addbeh.2013.11.028 [PubMed] [Cross Ref.]
Dong GH, Shen Y., Huang J., Du XX (2013). Deterioro de la función de control de errores en personas con trastorno de adicción a Internet: un estudio de fMRI relacionado con eventos. EUR. Adicto. Res. 19 269 – 275. 10.1159 / 000346783 [PubMed] [Cross Ref.]
Droutman V., Lea SJ, Bechara A. (2015). Revisando el papel de la ínsula en la adicción. Tendencias Cogn. Sci. 19 414 – 420. 10.1016 / j.tics.2015.05.005 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Tinte MWG, Green CS, Bavelier D. (2009). Aumento de la velocidad de procesamiento con videojuegos de acción. Curr. Dir. Psychol. Sci. 18 321 – 326. 10.1111 / j.1467-8721.2009.01660.x [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Finn ES, Shen X., Holahan JM, Scheinost D., Lacadie C., Papademetris X., et al. (2014). Interrupción de las redes funcionales en la dislexia: un análisis de conectividad basado en datos y en todo el cerebro. Biol. Psiquiatría 76 397 – 404. 10.1016 / j.biopsych.2013.08.031 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Fornito A., Bullmore ET (2015). Conectómica: un nuevo paradigma para entender la enfermedad cerebral. EUR. Neuropsychopharmacol. 25 733 – 748. 10.1016 / j.euroneuro.2014.02.011 [PubMed] [Cross Ref.]
Fornito A., Yoon J., Zalesky A., Bullmore ET, Carter CS (2011). Alteraciones de la conectividad funcional general y específica en la esquizofrenia del primer episodio durante el rendimiento del control cognitivo. Biol. Psiquiatría 70 64 – 72. 10.1016 / j.biopsych.2011.02.019 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Forstmann BU, van den Wildenberg WPM, Ridderinkhof KR (2008). Mecanismos neuronales, dinámica temporal y diferencias individuales en el control de interferencias. J. Cogn. Neurosci. 20 1854 – 1865. 10.1162 / jocn.2008.20122 [PubMed] [Cross Ref.]
Fox MD, Zhang D., Snyder AZ, Raichle ME (2009). La señal global y las redes cerebrales observadas en estado de reposo anticorrelacionados. J. Neurofisiol. 101 3270 – 3283. 10.1152 / jn.90777.2008 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Fransson P., Marrelec G. (2008). El córtex cingulado posterior / precune desempeña un papel fundamental en la red de modo predeterminado: evidencia de un análisis de red de correlación parcial. Neuroimagen 42 1178 – 1184. 10.1016 / j.neuroimage.2008.05.059 [PubMed] [Cross Ref.]
Goldstein RZ, Volkow ND (2011). Disfunción de la corteza prefrontal en la adicción: hallazgos de neuroimagen e implicaciones clínicas. Nat. Rev. Neurosci. 12 652 – 669. 10.1038 / nrn3119 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Green CS, Bavelier D. (2003). Los videojuegos de acción modifican la atención visual selectiva. Naturaleza 423 534 – 537. 10.1038 / nature01647 [PubMed] [Cross Ref.]
Green CS, Pouget A., Bavelier D. (2010). Inferencia probabilística mejorada como mecanismo de aprendizaje general con videojuegos de acción. Curr. Biol. 20 1573 – 1579. 10.1016 / j.cub.2010.07.040 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Green CS, Sugarman MA, Medford K., Klobusicky E., Bavelier D. (2012). El efecto de la experiencia del videojuego de acción en el cambio de tareas. Comput. Tararear. Behav. 28 984 – 994. 10.1016 / j.chb.2011.12.020 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Griffiths MD, Pontes HM (2014). El trastorno de la adicción a Internet y el trastorno de los juegos de Internet no son lo mismo. J. Addict. Res. El r. 5:e124 10.4172/2155-6105.1000e124 [Cross Ref.]
Han CE, Yoo SW, Seo SW, Na DL, Seong JK (2013). Estadísticas basadas en grupos para la conectividad cerebral en correlación con las medidas de comportamiento. PLoS ONE 8: e72332 10.1371 / journal.pone.0072332 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Han DH, Kim YS, Lee YS, Min KJ, Renshaw PF (2010). Cambios en la actividad de la corteza prefrontal inducida por señales con el juego de videojuegos. Cyberpsychol. Behav. Soc. Netw. 13 655 – 661. 10.1089 / cyber.2009.0327 [PubMed] [Cross Ref.]
Hoeft F., Watson CL, Kesler SR, Bettinger KE, Reiss AL (2008). Diferencias de género en el sistema mesocorticolímbico durante juegos de computadora. J. Psychiatr. Res. 42 253 – 258. 10.1016 / j.jpsychires.2007.11.010 [PubMed] [Cross Ref.]
Hong SB, Harrison BJ, Dandash O., Choi EJ, Kim SC, Kim HH, y otros. (2015). Una participación selectiva de la conectividad funcional del putamen en jóvenes con trastorno de los juegos de Internet. Brain Res. 1602 85 – 95. 10.1016 / j.brainres.2014.12.042 [PubMed] [Cross Ref.]
Hong SB, Zalesky A., Cocchi L., Fornito A., Choi EJ, Kim HH, et al. (2013). Disminución de la conectividad funcional del cerebro en adolescentes con adicción a internet. PLoS ONE 8: e57831 10.1371 / journal.pone.0057831 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Király O., Griffiths MD, Urbán R., Farkas J., Kökönyei G., Elekes Z., et al. (2014). El uso problemático de Internet y los juegos en línea problemáticos no son lo mismo: hallazgos de una gran muestra de adolescentes representativa a nivel nacional. Cyberpsychol. Behav. Soc. Netw. 17 749 – 754. 10.1089 / cyber.2014.0475 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Ko CH, Hsieh TJ, Chen CY, Yen CF, Chen CS, Yen JY, et al. (2014). Activación cerebral alterada durante la inhibición de la respuesta y el procesamiento de errores en sujetos con trastornos de los juegos de Internet: un estudio funcional de imágenes magnéticas. EUR. Arco. Clinica de Psiquiatria. Neurosci. 264 661–672. 10.1007/s00406-013-0483-3 [PubMed] [Cross Ref.]
Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. (2015). La densidad de materia gris alterada y la conectividad funcional interrumpida de la amígdala en adultos con trastornos de los juegos de Internet. Prog. Neuro-Psychopharmacol. Biol. Psiquiatría 57 185 – 192. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Cross Ref.]
Ko CH, Liu GC, Hsiao SM, Yen JY, Yang MJ, Lin WC, et al. (2009). Las actividades cerebrales asociadas con la necesidad de jugar de la adicción a los juegos en línea. J. Psychiatr. Res. 43 739 – 747. 10.1016 / j.jpsychires.2008.09.012 [PubMed] [Cross Ref.]
Ko CH, Liu GC, Yen JY, Chen CY, Yen CF, Chen CS (2013). El cerebro se correlaciona con el deseo de jugar en línea bajo la exposición de referencia en sujetos con adicción a los juegos de Internet y en sujetos remitidos. Adicto. Biol. 18 559 – 569. 10.1111 / j.1369-1600.2011.00405.x [PubMed] [Cross Ref.]
Ko C.-H., Yen C.-F., Yen C.-N., Yen J.-Y., Chen C.-C., Chen S.-H. (2005). Evaluación de la adicción a Internet: un estudio empírico sobre los puntos de corte para la escala de adicción a Internet de Chen. Kaohsiung J. Med. Sci. 21 545–551. 10.1016/S1607-551X(09)70206-2 [PubMed] [Cross Ref.]
Kong X.-Z., Zhen Z., Li X., Lu H.-H., Wang R., Liu L., y col. (2014). Las diferencias individuales en la impulsividad predicen el movimiento de la cabeza durante la resonancia magnética. PLoS ONE 9: e104989 10.1371 / journal.pone.0104989 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Koob GF, Volkow ND (2010). Neurocircuitería de la adicción. Neuropsicofarmacología 35 217 – 238. 10.1038 / npp.2009.110 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Kühn S., Gallinat J. (2015). Cerebros en línea: correlatos estructurales y funcionales del uso habitual de Internet. Adicto. Biol. 20 415 – 422. 10.1111 / adb.12128 [PubMed] [Cross Ref.]
Kuss DJ, Griffiths MD (2012). Adicción a los juegos de Internet: una revisión sistemática de la investigación empírica. En t. J. Adicto a la salud mental. 10 278–296. 10.1007/s11469-011-9318-5 [Cross Ref.]
Li BJ, Friston KJ, Liu J., Liu Y., Zhang GP, Cao FL, y otros. (2014). Deterioro de la conectividad frontal-basal de los ganglios en adolescentes con adicción a internet. Sci. Reps. 4: 5027 10.1038 / Srep05027 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Li WW, Li YD, Yang WJ, Zhang QL, Wei DT, Li WF, et al. (2015). Estructuras cerebrales y conectividad funcional asociadas con diferencias individuales en la tendencia de Internet en adultos jóvenes sanos. Neuropsychologia 70 134 – 144. 10.1016 / j.neuropsychologia.2015.02.019 [PubMed] [Cross Ref.]
Lin FC, Zhou Y., Du YS, Zhao ZM, Qin LD, Xu JR, y otros. (2015). Circuitos funcionales corticostriatales aberrantes en adolescentes con trastorno de adicción a Internet. Frente. Tararear. Neurosci. 9: 356 10.3389 / fnhum.2015.00356 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Lin MP, Ko HC, Wu JYW (2011). Prevalencia y factores de riesgo psicosocial asociados con la adicción a Internet en una muestra representativa a nivel nacional de estudiantes universitarios en Taiwán. Cyberpsychol. Behav. Soci. Netw. 14 741 – 746. 10.1089 / cyber.2010.0574 [PubMed] [Cross Ref.]
Lorenz RC, Kruger JK, Neumann B., Schott BH, Kaufmann C., Heinz A., y otros. (2013). La reactividad de cue y su inhibición en jugadores de juegos de ordenador patológicos. Adicto. Biol. 18 134 – 146. 10.1111 / j.1369-1600.2012.00491.x [PubMed] [Cross Ref.]
Meng YJ, Deng W., Wang HY, Guo WJ, Li T. (2015). La disfunción prefrontal en individuos con trastorno de los juegos de Internet: un meta-análisis de estudios de resonancia magnética funcional. Adicto. Biol. 20 799 – 808. 10.1111 / adb.12154 [PubMed] [Cross Ref.]
Moulton EA, Elman I., Becerra LR, Goldstein RZ, Borsook D. (2014). El cerebelo y la adicción: conocimientos obtenidos de la investigación de neuroimagen. Adicto. Biol. 19 317 – 331. 10.1111 / adb.12101 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Naqvi NH, Bechara A. (2009). La isla oculta de la adicción: la ínsula. Tendencias Neurosci. 32 56 – 67. 10.1016 / j.tins.2008.09.009 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Nichols TE, Holmes AP (2002). Pruebas de permutación no paramétricas para neuroimagen funcional: un manual con ejemplos. Tararear. Cerebro Mapp. 15 1 – 25. 10.1002 / hbm.1058 [PubMed] [Cross Ref.]
OReilly M. (1996). Adicción a internet: un nuevo desorden entra en el léxico médico. Poder. Medicina. Associ. J. 154 1882 – 1883. ElArtículo gratuito de PMC] [PubMed]
Park CH, Chun JW, Cho H., Jung YC, Choi J., Kim DJ (2015). ¿Está el cerebro adicto a los juegos de Internet cerca de estar en un estado patológico? Adicto. Biol. [Epub antes de imprimir] .10.1111 / adb.12282 [PubMed] [Cross Ref.]
Petry NM, O'Brien CP (2013). El desorden del juego en internet y el DSM-5. Adicción 108 1186 – 1187. 10.1111 / add.12162 [PubMed] [Cross Ref.]
Petry NM, Rehbein F., Gentile DA, Lemmens JS, Rumpf HJ, Mößle T., et al. (2014). Un consenso internacional para evaluar el trastorno de los juegos de Internet utilizando el nuevo enfoque DSM-5. Adicción 109 1399 – 1406. 10.1111 / add.12457 [PubMed] [Cross Ref.]
Rorden C., Karnath HO, Bonilha L. (2007). Mejora de la cartografía lesión-síntoma. J. Cogn. Neurosci. 19 1081 – 1088. 10.1162 / jocn.2007.19.7.1081 [PubMed] [Cross Ref.]
Saad ZS, Gotts SJ, Murphy K., Chen G., Jo HJ, Martin A. y otros. (2012). Problemas en reposo: cómo se distorsionan los patrones de correlación y las diferencias de grupo después de la regresión de señal global. Brain Connect. 2 25 – 32. 10.1089 / cerebro.2012.0080 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Song XW, Dong ZY, Long XY, Li SF, Zuo XN, Zhu CZ, et al. (2011). REST: un kit de herramientas para el procesamiento de datos de imágenes de resonancia magnética funcional en estado de reposo. PLoS ONE 6: e25031 10.1371 / journal.pone.0025031 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Stanley ML, Moussa MN, Paolini BM, Lyday RG, Burdette JH, Laurienti PJ (2013). Definiendo nodos en redes cerebrales complejas. Frente. Comput. Neurosci. 7: 169 10.3389 / fncom.2013.00169 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Sun YJ, Ying H., Seetohul RM, Wang XM, Ya Z., Qian L., et al. (2012). Estudio de resonancia magnética cerebral del ansia inducida por imágenes de referencia en adictos a juegos en línea (adolescentes varones). Behav. Brain Res. 233 563 – 576. 10.1016 / j.bbr.2012.05.005 [PubMed] [Cross Ref.]
Takeuchi H., Taki Y., Nouchi R., Sekiguchi A., Hashizume H., Sassa Y., et al. (2014). Asociación entre conectividad funcional en estado de reposo y empatización / sistematización. Neuroimagen 99 312 – 322. 10.1016 / j.neuroimage.2014.05.031 [PubMed] [Cross Ref.]
Talati A., Hirsch J. (2005). Especialización funcional dentro de la circunvolución frontal medial para las decisiones perceptivas go / no-go basadas en la información relacionada con "qué", "cuándo" y "dónde": un estudio fMRI. J. Cogn. Neurosci. 17 981 – 993. 10.1162 / 0898929054475226 [PubMed] [Cross Ref.]
Tzourio-Mazoyer N., Landeau B., Papathanassiou D., Crivello F., Etard O., Delcroix N., et al. (2002). Etiquetado anatómico automatizado de activaciones en SPM utilizando una parcelación anatómica macroscópica del cerebro de un solo sujeto MNI MRI. Neuroimagen 15 273 – 289. 10.1006 / nimg.2001.0978 [PubMed] [Cross Ref.]
van den Heuvel MP, Pol HEH (2010). Explorando la red del cerebro: una revisión sobre la conectividad funcional del fMRI en estado de reposo. EUR. Neuropsychopharmacol. 20 519 – 534. 10.1016 / j.euroneuro.2010.03.008 [PubMed] [Cross Ref.]
Volkow ND, Fowler JS (2000). La adicción, una enfermedad de compulsión e impulso: afectación de la corteza orbitofrontal. Cereb. Corteza 10 318 – 325. 10.1093 / cercor / 10.3.318 [PubMed] [Cross Ref.]
Volkow ND, Fowler JS, Wang GJ (2003). El cerebro humano adicto: percepciones de estudios de imagen. J. Clin. Investig. 111 1444 – 1451. 10.1172 / Jci200318533 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Volkow ND, Wang GJ, Fowler JS, Tomasi D., Telang F., Baler R. (2010). Adicción: la sensibilidad reducida de la recompensa y la sensibilidad aumentada de la expectativa conspiran para abrumar el circuito de control del cerebro. Bioessays 32 748 – 755. 10.1002 / bies.201000042 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Volkow ND, Wang GJ, Telang F., Fowler JS, Logan J., Childress AR, et al. (2006). Indicaciones de cocaína y dopamina en el cuerpo estriado dorsal: mecanismo del deseo de adicción a la cocaína. J. Neurosci. 26 6583 – 6588. 10.1523 / Jneurosci.1544-06.2006 [PubMed] [Cross Ref.]
Wang Y., Yin Y., Sun YW, Zhou Y., Chen X., Ding WN, et al. (2015). Disminución de la conectividad funcional interhemisférica del lóbulo prefrontal en adolescentes con trastorno de los juegos de azar por Internet: un estudio primario utilizando IRMF en estado de reposo. PLoS ONE 10: e0118733 10.1371 / journal.pone.0118733 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Wee CY, Zhao ZM, Yap PT, Wu GR, Shi F., Price T., et al. (2014). Red funcional cerebral interrumpida en el trastorno de adicción a internet: un estudio de imágenes de resonancia magnética funcional en estado de reposo. PLoS ONE 9: e107306 10.1371 / journal.pone.0107306 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Weissenbacher A., Kasess C., Gerstl F., Lanzenberger R., Moser E., Windischberger C. (2009). Correlaciones y anticorrelaciones en la IRM de conectividad funcional en estado de reposo: una comparación cuantitativa de las estrategias de preprocesamiento. Neuroimagen 47 1408 – 1416. 10.1016 / j.neuroimage.2009.05.005 [PubMed] [Cross Ref.]
Xia M., Wang J., He Y. (2013). BrainNet Viewer: una herramienta de visualización en red para la conectómica del cerebro humano. PLoS ONE 8: e68910 10.1371 / journal.pone.0068910 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Yan C., Zang Y. (2010). DPARSF: una caja de herramientas de MATLAB para el análisis de datos de "tubería" de fMRI en estado de reposo. Frente. Syst. Neurosci. 4: 13 10.3389 / fnsys.2010.00013 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Yarkoni T., Poldrack RA, Nichols TE, Van Essen DC, Wager TD (2011). Síntesis automatizada a gran escala de datos de neuroimagen funcional humana. Nat. Métodos 8 665 – 670. 10.1038 / nmeth.1635 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Yeo BTT, Krienen FM, Sepulcre J., Sabuncu MR, Lashkari D., Hollinshead M., et al. (2011). La organización de la corteza cerebral humana estimada por conectividad funcional intrínseca. J. Neurofisiol. 106 1125 – 1165. 10.1152 / jn.00338.2011 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Joven KS (1998). La adicción a internet: la aparición de un nuevo trastorno clínico. CyberPsychol. Behav. 1 237–244. 10.1007/s10899-011-9287-4 [Cross Ref.]
Yuan K., Qin W., Yu D., Bi Y., Xing L., Jin C., y otros. (2015). Las interacciones de las redes cerebrales centrales y el control cognitivo en individuos con trastornos de los juegos de Internet en la adolescencia tardía / edad adulta temprana. Struct cerebro Funct. [Epub antes de imprimir] .10.1007 / s00429-014-0982-7 [PubMed] [Cross Ref.]
Zalesky A., Fornito A., Bullmore ET (2010a). Estadísticas basadas en redes: identificando diferencias en redes cerebrales. Neuroimagen 53 1197 – 1207. 10.1016 / j.neuroimage.2010.06.041 [PubMed] [Cross Ref.]
Zalesky A., Fornito A., Harding IH, Cocchi L., Yücel M., Pantelis C., et al. (2010b). Redes anatómicas de todo el cerebro: ¿importa la elección de los nodos? Neuroimagen 50 970 – 983. 10.1016 / j.neuroimage.2009.12.027 [PubMed] [Cross Ref.]
Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L. y otros. (2015). Se modificó la conectividad funcional en estado de reposo de la ínsula en adultos jóvenes con trastornos de los juegos de Internet. Adicto. Biol. [Epub antes de imprimir] .10.1111 / adb.12247 [Artículo gratuito de PMC] [PubMed] [Cross Ref.]
Zhou Y., Lin FC, Du YS, Qin LD, Zhao ZM, Xu JR, y otros. (2011). Anormalidades de la materia gris en la adicción a Internet: un estudio de morfometría basado en voxel. EUR. J. Radiol. 79 92 – 95. 10.1016 / j.ejrad.2009.10.025 [PubMed] [Cross Ref.]