Discriminação de jogadores da Internet patológicos e não patológicos usando características neuroanatômicas esparsas (2018)

. 2018; 9: 291.

Publicado on-line 2018 Jun 29. doi:  10.3389 / fpsyt.2018.00291

PMCID: PMC6033968

PMID: 30008681

Sumário

O distúrbio de jogos pela Internet (IGD) é frequentemente diagnosticado com base em nove critérios subjacentes da última versão do Manual Diagnóstico e Estatístico de Transtornos Mentais (DSM-5). Aqui, examinamos se tal categorização baseada em sintomas poderia ser traduzida em classificação baseada em computação. Os dados de ressonância magnética estrutural (RMN) e ressonância magnética ponderada por difusão (dMRI) foram adquiridos em gamers 38 diagnosticados com IGD, gamers normais 68 diagnosticados como não tendo IGD e não gamers saudáveis ​​37. Geramos os recursos 108 da estrutura de massa cinzenta (GM) e substância branca (WM) a partir dos dados de ressonância magnética. Quando a regressão logística regularizada foi aplicada às características neuroanatômicas do 108 para selecionar características importantes para a distinção entre os grupos, os gamers normais e desordenados foram representados em termos de características 43 e 21, respectivamente, em relação aos não-gamers saudáveis, enquanto gamers desordenados foram representados em termos de características 11 em relação aos gamers normais. Em máquinas de vetores de suporte (SVM) usando os recursos neuroanatômicos esparsos como preditores, os gamers normais e desordenados foram discriminados com sucesso, com precisão superior a 98%, dos não gamers saudáveis, mas a classificação entre os gamers normais e desordenados foi relativamente desafiadora. Esses achados sugerem que os jogadores patológicos e não-patológicos, conforme categorizados com os critérios do DSM-5, poderiam ser representados por características neuroanatômicas esparsas, especialmente no contexto de discriminar aqueles de indivíduos saudáveis ​​não-jogos.

Palavras-chave: distúrbio do jogo da Internet, classificação diagnóstica, ressonância magnética estrutural, ressonância magnética ponderada por difusão, regressão regularizada

Introdução

Apesar de ter sido sugerido como dependência patológica por décadas (), é apenas recentemente que o distúrbio de jogos na Internet (IGD) foi listado no Manual Diagnóstico e Estatístico de Transtornos Mentais (DSM). A quinta edição do DSM (DSM-5) (identificaram o IGD como condição para um estudo mais aprofundado e forneceram nove critérios para o seu diagnóstico. Na categorização baseada em sintomas usando a escala IGD de nove itens (IGDS) proposta no DSM-5, um limiar de experimentar cinco ou mais critérios foi aplicado ao diagnóstico de IGD. Embora este ponto de corte possa diferenciar adequadamente os jogadores com comprometimento clínico significativo (), a natureza dicotômica dos itens IGDS inevitavelmente envolve excessiva simplificação ou imprecisão diagnóstica.

Além dos sintomas, uma variedade de disfunções relacionadas ao IGD são comumente observadas, não menos as alterações neuroanatômicas. De fato, um corpo substancial de trabalho mostrou que o IGD está associado a alterações estruturais no cérebro: encolhimento do volume de substância cinzenta (GM) (-), redução da espessura cortical () e perda de integridade da substância branca (WM) (, ) foram tipicamente demonstrados. Essas alterações neuroanatômicas relacionadas à IGD sugerem que tais parâmetros de imagem cerebral podem servir como biomarcadores para distinguir indivíduos com IGD de outros indivíduos. Ou seja, o diagnóstico de IGD pode ser feito através da manipulação computacional de biomarcadores neuroanatômicos, e não através de categorização baseada em sintomas baseada no DSM-5. Essas tentativas podem estar de acordo com os esforços para ir além do diagnóstico descritivo, empregando abordagens computacionais para a psiquiatria (), especificamente abordagens baseadas em dados baseadas no aprendizado de máquina (ML) para lidar com o diagnóstico de doenças mentais ().

Neste estudo, procuramos um elo entre a categorização baseada em sintomas com base na IGDS e a classificação baseada em computação, utilizando biomarcadores neuroanatômicos no diagnóstico de IGD. Como alguns componentes do cérebro do GM e do WM provavelmente incluiriam informações redundantes ou irrelevantes para a classificação diagnóstica, procuramos selecionar características neuroanatômicas esparsas empregando a regressão regularizada. Nós hipotetizamos que a categorização baseada em sintomas poderia ser representada em termos de características neuroanatômicas esparsas que comporiam modelos de classificação para o diagnóstico de IGD. Os jogadores patológicos diagnosticados com IGD foram pensados ​​para ser mais dissimilares de indivíduos saudáveis ​​não-jogo do que de jogadores diagnosticados como não tendo IGD, ou seja, os jogadores não-patológicos; assim, jogadores gamológicos poderiam ser caracterizados por um número maior de características comparadas com jogadores não-patológicos, em relação a indivíduos saudáveis ​​que não jogam. Além disso, queríamos decidir se jogadores não-patológicos poderiam ser menos distinguíveis de jogadores patológicos ou de indivíduos saudáveis ​​que não jogam. Pode-se supor vagamente que jogadores não-patológicos estejam próximos de indivíduos saudáveis ​​que não jogam, em termos de sintomas descritivos, mas pensamos que tal noção precisa ser validada por meio de classificação baseada em computação.

Materiais e métodos

Participantes

Entre os participantes do 237 que jogam jogos baseados na Internet, os indivíduos 106 foram selecionados excluindo aqueles que exibiram um descompasso entre o IGDS autorreferido e uma entrevista estruturada com um psicólogo clínico no diagnóstico de IGD ou tinham dados de imagens cerebrais perdidos ou severamente distorcidos. Com base nos IGDS, indivíduos 38 (27.66 ± 5.61 anos; 13 fêmeas) que satisfizeram pelo menos cinco itens IGDS foram rotulados como gamers transtornados e indivíduos 68 (27.96 ± 6.41 anos; 21 fêmeas) que satisfizeram no máximo um item IGDS foram rotulados jogadores normais. Indivíduos que satisfizeram os itens IGDS entre dois e quatro também foram excluídos, porque podem ser discernidos como outra classe entre os gamers normais e desordenados () Além disso, 37 indivíduos (25.86 ± 4.10 anos; 13 mulheres) que não jogavam jogos baseados na Internet foram recrutados separadamente e foram rotulados como não jogadores saudáveis. Foi confirmada a ausência de comorbidades em todos os participantes. O consentimento informado por escrito foi obtido de todos os participantes de acordo com a Declaração de Helsinque e suas emendas posteriores, e o estudo foi aprovado pelo Comitê de Revisão Institucional do Hospital Seoul St. Mary, Seul, Coréia.

Aquisição de dados de ressonância magnética

Dados de ressonância magnética estrutural (RMN) e ressonância magnética ponderada em difusão (dMRI) foram coletados usando um sistema 3 T MAGNETOM Verio (Siemens AG, Erlangen, Alemanha). A aquisição de dados de ressonância magnética nuclear foi conduzida usando uma seqüência de eco de gradiente rápido preparada por magnetização: número de fatias no plano sagital = 176, espessura de corte = 1 mm, tamanho da matriz = 256 256 e resolução no plano = 1 × 1 mm . Para a aquisição de dados de dMRI, a codificação do gradiente de difusão foi realizada em direções 30 com b = 1,000 s / mm2 e foi utilizada uma sequcia de imagiologia ecolica simples: nero de fatias no plano axial = 75, espessura de corte = 2 mm, tamanho da matriz = 114 x 114 e resoluo no plano = 2 x 2 mm.

Processamento de dados de ressonância magnética

Ferramentas incluídas no CAT12 (http://www.neuro.uni-jena.de/cat/) foram utilizados para processar dados de ressonância magnética A imagem do volume cerebral foi segmentada em diferentes tecidos, incluindo GM, WM e fluido corticospinal, bem como registrada espacialmente em um cérebro de referência no espaço padrão. Na morfometria baseada em voxel (VBM), o volume GM voxel-wise foi estimado pela multiplicação da probabilidade de ser GM pelo volume de um voxel, e então esses valores foram divididos pelo volume intracraniano total para ajustar as diferenças individuais no volume da cabeça. Na morfometria de superfície (MUS), a espessura cortical foi estimada usando o método de espessura baseado em projeção ().

Processamento de dados de ressonância magnética

Ferramentas incluídas no FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) foram empregados para processar dados de dMRI. Todas as imagens foram realinhadas para a imagem nula adquirida com b = 0 s / mm2 para corrigir distorções induzidas por correntes de Foucault e movimento da cabeça. Um tensor de difusão foi modelado em cada voxel no cérebro, e parâmetros derivados de tensores de difusão, incluindo anisotropia fracionada (FA), difusividade média (MD), difusividade axial (AD) e difusividade radial (RD), foram computados; dado três difusividades ao longo de diferentes eixos de um tensor de difusão, o FA foi calculado como a raiz quadrada da soma dos quadrados das diferenças de difusividade entre os três eixos, MD como a difusividade média entre os três eixos, AD como a maior difusividade ao longo do eixo principal e RD como a média de difusividades ao longo de dois eixos menores. Usando estatísticas espaciais baseadas em intervalos (TBSS) () implementados no FSL 5.0, os mapas de parâmetros derivados de tensores de difusão foram registrados espacialmente em um cérebro de referência no espaço padrão, e foram então projetados em um esqueleto do trato WM.

Geração de recursos

Duas etapas principais para projetar um modelo de classificação são geração e seleção de recursos. Nós geramos características da neuroanatomia, especificamente o volume e espessura de um conjunto de regiões GM e a integridade e difusividade de um conjunto de tratos WM. Depois de estimar o volume GM e a espessura cortical como mapas voxel adquiridos de VBM e SBM, respectivamente, os parâmetros foram avaliados para cada uma das regiões 60 GM (Tabela S1), parcellated como no atlas dos martelos (), como a média entre todos os voxels dentro dele. Tendo estimado parâmetros derivados de tensores de difusão, incluindo FA, MD, AD e RD como mapas de voxel no esqueleto do trato WM adquirido a partir de TBSS, os parâmetros foram calculados para cada um dos trechos 48 WM (Tabela S2), parcelados como no atlas ICBM DTI-81 (), como a média entre todos os voxels dentro dele. Em suma, consideramos dois parâmetros de GM e quatro parâmetros de WM, que resultaram em oito combinações de parâmetros GM e WM. Para cada combinação de parâmetros GM e WM, os valores dos parâmetros das regiões 60 GM e 48 WM compuseram um total de características neuroanatómicas 108.

Seleção de recursos por regressão regularizada

Reduzir o número de recursos é importante, especialmente para dados com um grande número de recursos e um número limitado de observações. O número limitado de observações em relação ao número de características pode levar a um excesso de adaptação ao ruído, e a regularização é uma técnica que permite reduzir ou evitar o overfitting, introduzindo informações adicionais ou restrições em um modelo. Como todos os recursos do 108 podem não incluir informações úteis e necessárias para a classificação, selecionamos um conjunto esparso de recursos aplicando a regressão regularizada. Especificamente, o laço () e rede elástica () foram utilizados para a regressão logística regularizada. O laço inclui um termo de penalidade, ou um parâmetro de regularização, λ, que restringe o tamanho das estimativas de coeficiente em um modelo de regressão logística. Como um aumento em λ leva a mais coeficientes com valor zero, o laço fornece um modelo de regressão logística reduzido com menos preditores. A rede elástica também produz um modelo de regressão logística reduzida, colocando os coeficientes em zero, especialmente ao incluir um parâmetro de regularização híbrida da regressão do laço e da crista, superando a limitação do laço no tratamento de preditores altamente correlacionados ().

Para a classificação entre cada par dos três grupos, aplicamos o laço e a rede elástica para identificar preditores importantes entre as características neuroanatômicas do 108 em um modelo de regressão logística. As características 108 de todos os indivíduos em cada par dos três grupos foram padronizadas para compor uma matriz de dados, A, em que cada linha representou uma observação e cada coluna representou um preditor. Para corrigir os efeitos da idade e sexo dos indivíduos sobre os parâmetros GM e WM, uma matriz de formação residual, Rfoi gerado: R = I-C(CTC)-1C onde I foi uma matriz de identidade e C foi uma matriz codificando covariantes confundidoras de idade e sexo. Foi então aplicado a A para obter resíduos após a regressão das covariáveis ​​de confusão: X = RA.

Dada a matriz de dados ajustada, Xe a resposta Y, que codificava duas classes de indivíduos, a validação cruzada 10-fold (CV) foi usada para procurar um parâmetro de regularização, λMinErr, que forneceu o erro mínimo em termos de desvio, definido como log-verossimilhança negativa para o modelo testado em média ao longo das dobras de validação. Alternativamente, porque uma curva CV tem erros em cada λ testado, um parâmetro de regularização, λ1SE, que foi encontrado dentro de um erro padrão do erro CV mínimo no sentido de aumentar a regularização de λMinErr também foi considerado. Ou seja, os recursos mais esparsos foram selecionados em λ1SE, enquanto as características esparsas foram determinadas em λMinErr. Este procedimento para a busca de um modelo de regressão logística regularizado com menos preditores foi repetido para cada combinação de parâmetros GM e WM, compreendendo as características neuroanatômicas do 108.

Desempenho de recursos selecionados

Para avaliar a utilidade das características esparsas e esparsas, o desempenho foi comparado entre o modelo com um número reduzido de características e o modelo com todos os recursos 108 em máquinas de vetores de suporte (SVMs) medindo a curva ROC. Com um kernel linear como a função kernel e hyperparameters otimizados por cinco vezes CV, um SVM foi treinado para todos os indivíduos em cada par dos três grupos. A área sob a curva ROC (AUC) foi calculada para cada modelo como uma medida quantitativa do seu desempenho. Testes DeLong () foram empregados para comparar a AUC entre cada par de modelos. Quando a AUC diferia em um p-valor do 0.05, o desempenho foi considerado não comparável em dois modelos.

Precisão de classificação

Procedimentos esquemáticos desde a geração e seleção de características até a construção de modelos de classificação são apresentados na figura. Figura 1.1. Para cada par dos três grupos, os modelos de classificação SVM foram gerados usando os recursos selecionados como preditores. Avaliamos a acurácia dos modelos de classificação empregando um esquema CV de abandono, de modo que a acurácia da classificação fora da amostra fosse computada para cada indivíduo excluído e, então, a média fosse calculada para todos os indivíduos. A significância estatística da precisão foi estimada empregando testes de permutação. Uma distribuição nula empírica para a classificação entre cada par dos três grupos foi gerada pela permutação repetida dos rótulos dos indivíduos e pela precisão de medição associada aos rótulos permutados. Quando a precisão medida para os rótulos não autorizados era maior ou igual à distribuição nula em um p-valor de 0.05, que foi determinado para ser significativamente diferente do nível de chance (precisão = 50%). Além disso, uma matriz de confusão foi visualizada para descrever a sensibilidade e especificidade quanto à distinção entre cada par dos três grupos.

 

Um arquivo externo que contém uma figura, ilustração, etc. O nome do objeto é fpsyt-09-00291-g0001.jpg

Procedimentos esquemáticos, desde a geração e seleção de características neuroanatômicas até a construção de modelos para a classificação entre gamers transtornados (DG) e não gamers saudáveis ​​(HN), entre gamers normais (GN) e HN, e entre GD e GN. GM, substância cinzenta; WM, substância branca.

Resultados

Seleção de recursos

Figura Figura 22 exibe recursos selecionados entre os recursos do 108 com seus coeficientes estimados e Tabela Table11 descreve informações de ajuste relacionadas do modelo de regressão logística regularizada para a classificação entre cada par dos três grupos. Além disso, figura S1 mostra que λ produziu o erro CV mínimo e quantas características foram selecionadas em λ1SE bem como em λMinErr. O erro mínimo de CV foi obtido na seleção de características pelo laço (lasso weight = 1) para a classificação entre os não-jogadores saudáveis ​​e gamers normais e pela rede elástica (peso de laço = 0.5) para a outra classificação.

 

Um arquivo externo que contém uma figura, ilustração, etc. O nome do objeto é fpsyt-09-00291-g0002.jpg

Características neuroanatômicas selecionadas em regressão logística regularizada para a classificação entre cada par de três grupos. Jogadores desordenados (GD) foram codificados como 1 na classificação entre não gamers saudáveis ​​(HN) e GD, gamers normais (NG) como 1 na classificação entre HN e NG e GD como 1 na classificação entre NG e GD. O tamanho de uma barra representa o tamanho do coeficiente do respectivo recurso, de modo que os recursos de coeficientes diferentes de zero sejam selecionados. Os cérebros renderizados representam os componentes da substância cinzenta e branca correspondentes aos recursos selecionados de uma visão superior. Recursos em vermelho ou azul indicam aqueles incluídos em recursos mais esparsos determinados em λ1SE bem como em características esparsas determinadas em λMinErr, enquanto aqueles em amarelo ou magenta indicam aqueles incluídos apenas em características esparsas. Os rótulos dos componentes cerebrais são os fornecidos nas Tabelas S1 e S2. L, esquerda; R, certo.

tabela 1

Informação de ajuste da regressão logística regularizada para a classificação entre cada par de três grupos.

 HN vs. DGHN vs. NGNG vs. DG
ParâmetroGMEspessuraEspessuraVolume
 WMFARDMD
Peso do laço0.510.5
Recursos esparsos selecionados em λMinErrErro CV37.368141.7876133.3857
 No. de recursos432111
Recursos mais esparsos selecionados em λ1SEErro CV46.568150.0435141.2622
 No. de recursos34121
 

O peso do laço indica se a regressão logística regularizada foi realizada usando o laço (lasso weight = 1) ou a rede elástica (lasso weight = 0.5).

HN, não gamers saudáveis; DG, gamers desordenados; NG, gamers normais; GM, substância cinzenta; WM, substância branca; FA, anisotropia fracionada; RD, difusividade radial; MD, difusividade média; CV, validação cruzada.

Na discriminação dos jogadores desordenados dos não-gamers saudáveis, os recursos 43 selecionados em λMinErr compreendia a espessura das regiões 24 GM e as FA das extensões 19 WM e as características 34 selecionadas em λ1SE compreendia a espessura das regiões 15 GM e as FA das extensões 19 WM. Na distinção dos gamers normais dos não gamers saudáveis, os recursos 21 selecionados em λMinErr compreendeu a espessura das regiões 12 GM e o RD dos trechos 9 WM, e os recursos 12 selecionados em λ1SE compreendia a espessura das regiões 6 GM e o RD das extensões 6 WM. Na classificação entre os jogadores desordenados e normais, as características 11 selecionadas em λMinErr compreendia o volume de regiões 7 GM e o MD de setores 4 WM, e um recurso selecionado em λ1SE correspondia ao volume de uma região GM.

Desempenho de recursos selecionados

Entre o modelo com um número reduzido de recursos e o modelo com todos os recursos do 108, o desempenho foi comparável em termos de AUC na discriminação entre cada tipo de gamers e os não-gamers saudáveis ​​por SVMs (Figura (Figure3) .3). Na classificação entre os gamers normais e desordenados, o modelo com as características selecionadas em λMinErr (AUC = 0.83, p = 0.006) ou em λ1SE (AUC = 0.72, p <0.001) apresentou desempenho inferior ao modelo com todos os 108 recursos (AUC = 0.90).

 

Um arquivo externo que contém uma figura, ilustração, etc. O nome do objeto é fpsyt-09-00291-g0003.jpg

Comparação do desempenho em termos da área sob a curva característica de operação do receptor (AUC) entre modelos sem e com seleção de características para a classificação entre cada par de três grupos por máquinas de vetores de suporte. O modelo das características 108 (indicado pela linha contínua) corresponde àquele sem seleção de características, enquanto os modelos de número reduzido de características correspondem àqueles com características esparsas e esparsas selecionadas em λ.MinErr (indicado pela linha tracejada) e λ1SE (indicado por traço-ponto), respectivamente. HN, não gamers saudáveis; DG, gamers desordenados; NG, gamers normais.

Precisão de classificação

Na classificação por SVMs usando os recursos selecionados em λMinErr, a precisão foi maior que 98%, significativamente maior que o nível de chance (p <0.001), na distinção de cada tipo de gamers dos não gamers saudáveis ​​(Figura (Figure4A) .4A). A precisão ainda era significativamente maior do que o nível de chance (p = 0.002) mas tão baixo quanto 69.8% na classificação entre os gamers normais e desordenados, especificamente mostrando baixa sensibilidade (47.4%) na correta identificação dos gamers desordenados. As características de dispersão determinadas em λ1SE exibiram desempenho semelhante (Figura (Figure4B) 4B), mas mostrou sensibilidade muito menor (2.6%) na correta distinção dos gamers desordenados dos gamers normais.

 

Um arquivo externo que contém uma figura, ilustração, etc. O nome do objeto é fpsyt-09-00291-g0004.jpg

Matrizes de confusão na classificação entre cada par de três grupos ao usar (UMA) esparsa e (B) características mais esparsas determinadas em λMinErr e em λ1SE, respectivamente, em máquinas de vetores de suporte. A célula inferior direita representa a acurácia da classificação (ACC), a taxa negativa verdadeira da célula inferior esquerda (TNR) ou especificidade, a taxa verdadeira positiva (TNR) da célula mediana baixa ou sensibilidade, o valor preditivo negativo da célula superior direita ) e o valor preditivo positivo da célula média direita (VPP). TP, verdadeiro positivo; TN, verdadeiro negativo; FP, falso positivo; FN, falso negativo.

Discussão

Neste estudo, procuramos examinar se os gamers patológicos e não-patológicos, conforme categorizados com o IGDS proposto no DSM-5, poderiam ser representados por características neuroanatômicas esparsas. Os jogadores desordenados e normais foram representados em termos de características 43 e 21, respectivamente, em relação aos não-gamers saudáveis. Além disso, os jogadores desordenados foram representados em termos de características 11 em relação aos jogadores normais. Usando os recursos neuroanatômicos esparsos, os gamers normais e desordenados poderiam ser discriminados com sucesso dos não-gamers saudáveis, mas a classificação entre os gamers normais e desordenados era relativamente desafiadora.

A categorização descritiva baseada em sintomas de IGD com o IGDS proposto no DSM-5 está sendo amplamente adotada. Embora a validade empírica do IGDS tenha sido confirmada em vários países (, , ), o limiar de experimentar cinco ou mais itens de IGDS pode não ser uma escolha definitiva, e outras formas de categorizar indivíduos que jogam jogos baseados na Internet podem ser sugeridas (). Uma vez que vários tipos de dados clínicos, tais como dados de imagem cerebral, bem como dados demográficos, comportamentais e sintomáticos, se tornam cada vez mais disponíveis, dados adicionais podem ser preferencialmente utilizados para o diagnóstico de doença mental. Em particular, devido à solidez da informação quantitativa, os dados de imagem do cérebro são adequados para abordagens computacionais e seriam úteis para a previsão. De fato, os dados de imagens cerebrais mostraram ter valores preditivos superiores em comparação com outros dados clínicos na previsão para resolver um problema clinicamente relevante ().

Como a classificação diagnóstica baseada em ML tem sido aplicada recentemente a outros comportamentos e transtornos aditivos (-), a categorização baseada em sintomas da IGD também parece enfrentar um desafio de classificação baseada em computação. Porque as anormalidades anatômicas do cérebro após IGD foram repetidamente relatadas em estudos anteriores (-, ), consideramos tais informações neuroanatômicas a partir de biomarcadores potenciais de dados de imagem cerebral para o diagnóstico de IGD. Neste estudo, nosso objetivo foi identificar um conjunto de características neuroanatômicas importantes que poderiam fornecer um desempenho de classificação adequadamente alto, além de descrever as diferenças neuroanatômicas entre as classes de indivíduos.

Selecionamos importantes, entre as características neuroanatômicas do 108, a regressão regularizada completa. Quando consideramos oito combinações de parâmetros GM e WM, diferentes combinações de parâmetros foram selecionadas para distinguir cada par dos três grupos. A combinação da espessura das regiões GM e a integridade dos tratos WM foi melhor para distinguir os jogadores patológicos dos não-gamers saudáveis, ao passo que a combinação do volume de regiões GM e a difusividade dos tratos WM foi melhor para distinguir os jogadores patológicos. dos gamers não patológicos. Além disso, embora muitos componentes do cérebro comumente servissem como características neuroanatômicas que eram importantes para a distinção dos gamólogos patológicos e não patológicos de não-gamers saudáveis, algumas regiões GM e tratos WM caracterizaram os gamers não patológicos, mas não os jogadores patológicos. . Esses achados indicam que pode não haver uma combinação universalmente melhor dos parâmetros GM e WM como biomarcadores neuroanatômicos, de modo que uma combinação específica de parâmetros GM e WM precisa ser selecionada de acordo com os grupos a serem classificados.

O menor número de características esparsas para a distinção dos jogadores não-patológicos em comparação com a distinção dos jogadores patológicos, dos não-jogadores saudáveis, reflete que os jogadores não-patológicos estão em um estágio de transição entre os jogadores patológicos e saudáveis não jogadores. Além disso, as poucas características esparsas para a classificação entre os dois tipos de gamers do que para a discriminação entre cada tipo de gamers e os não-gamers saudáveis ​​denotam que os jogadores patológicos e não-patológicos eram menos dissimilares entre si em termos de neuroanatomia do que para eles serem diferentes dos não-gamers saudáveis. Assim, os modelos de classificação gerados com as características esparsas renderam uma precisão excedendo 98% na discriminação entre cada tipo de gamers e os não gamers saudáveis, mas com precisão abaixo de 70% na classificação entre os dois tipos de gamers. Ou seja, os gamers não patológicos eram distinguíveis dos não-gamers saudáveis, assim como os jogadores patológicos, mas havia limitações na distinção entre os jogadores patológicos e não-patológicos.

Esta relativamente pouca distinção entre os dois tipos de jogadores parece sugerir algumas noções. Em primeiro lugar, uma incompatibilidade entre categorização baseada em sintomas e classificação baseada em computação pode ser proposta. Embora o limiar de diagnóstico proposto para experimentar cinco ou mais critérios no IGDS tenha sido escolhido de forma conservadora para evitar o diagnóstico exagerado de IGD (), a presença de jogadores que sofrem alterações patológicas consideráveis ​​na neuroanatomia, mas não satisfazem o limiar de IGD, não pode ser desconsiderada. Em particular, incluímos apenas gamers que satisfaziam itens IGDS muito abaixo do IGD como jogadores normais, de modo que os gamers diagnosticados como não possuidores de IGD poderiam ser geralmente mais afastados de indivíduos saudáveis ​​que não jogam do que o mostrado neste estudo. Em segundo lugar, pode-se notar um desafio na classificação baseada somente em biomarcadores neuroanatômicos. O desempenho de classificação pode ser melhorado incluindo outros biomarcadores que podem capturar maior dissimilaridade entre os jogadores patológicos e não-patológicos. Em particular, porque as alterações funcionais no cérebro também são demonstradas no IGD (-), função e anatomia do cérebro podem ser considerados biomarcadores cerebrais. Além disso, queremos observar que as mudanças no cérebro constituem apenas parte das facetas multidimensionais do vício em jogos na Internet, de modo que outros fatores, não apenas vários fatores de risco internos e externos para o vício em jogos na Internet (), deve ser incluído em modelos mais completos para a classificação entre jogadores patológicos e não-patológicos, bem como a distinção de jogadores de indivíduos saudáveis ​​não-jogos.

Aqui, empregamos regressão regularizada, usando estimadores de promoção de dispersão, como o laço e a rede elástica, para identificar características importantes para modelos de classificação. Na verdade, existem variações metodológicas na seleção de características ou redução de dimensionalidade, e uma variedade de abordagens pode ser empregada para o uso de características selecionadas na construção do modelo (). Nossa abordagem usando regressão regularizada implica uma suposição a priori sobre esparsidade em características neuroanatômicas. Desde que tal suposição seja aceitável, como acreditamos neste estudo, a regressão regularizada poderia ser uma abordagem plausível, e o conjunto selecionado de características esparsas deveria compor modelos de classificação de desempenho adequadamente alto. Mas é notável que modelos de classificação mais simples baseados em maior esparsidade nem sempre exibam desempenho comparável ou melhorado. De fato, entre diferentes escolhas do grau de esparsidade de acordo com um parâmetro de regularização, maior esparsidade provavelmente não forneceria um modelo de melhor desempenho especificamente em problemas de classificação mais desafiadores, como a classificação entre os jogadores patológicos e não-patológicos.

Além disso, usamos SVMs como uma técnica ML para construir modelos de classificação, porque eles estão entre os mais populares. Outros métodos avançados podem ser utilizados para melhorar o desempenho da classificação, embora o desempenho comparativo entre diferentes métodos possa não ser concluído devido à dependência do desempenho em cenários experimentais (). Por outro lado, para o desempenho comparativo entre os métodos estatísticos clássicos e as técnicas de ML, foi realizada a classificação por regressão logística e mostrou que os dois métodos, a saber, regressão logística e SVMs, eram comparáveis ​​no desempenho da classificação (Figura S2). Pode ser repetido que os métodos estatísticos clássicos nem sempre são inferiores às técnicas de ML no desempenho da classificação ().

No presente estudo, revelamos que a categorização baseada em sintomas da IGD poderia ser representada em termos de biomarcadores neuroanatômicos esparsos que compunham modelos de classificação. Além disso, demonstramos que os jogadores não-patológicos poderiam ser menos distinguíveis de jogadores patológicos do que de indivíduos saudáveis ​​sem jogo, em termos de neuroanatomia. Portanto, sugerimos que, embora os sistemas diagnósticos atuais se baseiem na categorização descritiva, como o DSM-5 como padrão-ouro, os gamers não-patológicos podem precisar ser diagnosticados com mais cuidado, empregando biomarcadores objetivos, como aqueles associados a alterações neuroanatômicas. A adoção de abordagens computacionais parece ser uma tendência irreversível na psiquiatria, mas pode haver um longo caminho a percorrer para aplicá-las praticamente a ambientes clínicos. A busca pela seleção ideal de características esparsas de imagens cerebrais e outros dados clínicos precisa ser conduzida em estudos subsequentes e, a longo prazo, esses esforços promoveriam o diagnóstico baseado em computação da IGD.

Contribuições do autor

D-JK e J-WC foram responsáveis ​​pelo conceito e design do estudo. O HC realizou a caracterização clínica e seleção dos participantes. CP analisou os dados e redigiu o manuscrito. Todos os autores revisaram criticamente o conteúdo e aprovaram a versão final para publicação.

Declaração de conflito de interesse

Os autores declaram que a pesquisa foi realizada na ausência de quaisquer relações comerciais ou financeiras que possam ser interpretadas como um potencial conflito de interesses.

Notas de rodapé

 

Financiamento. Esta pesquisa foi apoiada pelo Programa de Pesquisa em Ciências do Cérebro através da Fundação Nacional de Pesquisa da Coréia (NRF) financiada pelo Ministério da Ciência e TIC na Coréia (NRF-2014M3C7A1062893).

 

 

Material suplementar

O Material Complementar deste artigo pode ser encontrado online em: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material

Referências

1. KS jovem Vício em Internet: o surgimento de um novo distúrbio clínico. CyberPsychol Behav. (1998) 1: 237 – 44. 10.1089 / cpb.1998.1.237 [Cross Ref]
2. Manual Diagnóstico e Estatístico de Transtornos Mentais da Associação Americana de Psiquiatria, 5th Edition. Washington, DC: American Psychiatric Association Publishing; (2013)
3. Ko CH, Yen JY, Chen SH, Wang PW, CS Chen, Yen CF. Avaliação dos critérios diagnósticos do transtorno de jogos na Internet no DSM-5 entre jovens adultos em Taiwan. J Psychiatr Res. (2014) 53: 103 – 10. 10.1016 / j.jpsychires.2014.02.008 [PubMed] [Cross Ref]
4. Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS, et al. . Alterou a densidade da substância cinzenta e interrompeu a conectividade funcional da amígdala em adultos com distúrbios de jogos na Internet. Prog Neuropsychopharmacol Biol Psiquiatria (2015) 57: 185-92. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Cross Ref]
5. Lin X, Dong G, Q Wang, Du X. Cinza anormal e volume de substância branca em 'viciados em jogos na Internet'. Addict Behav. (2015) 40: 137 – 143. 10.1016 / j.addbeh.2014.09.010 [PubMed] [Cross Ref]
6. Wang H, Jin C, Yuan K, Shakir TM, Mao C, Niu X, et al. . A alteração do volume de massa cinzenta e do controle cognitivo em adolescentes com distúrbio de jogo na internet. Behaviour Front Neurosci. (2015) 9: 64. 10.3389 / fnbeh.2015.00064 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
7. Yuan K, Cheng P, T Dong, Y Bi, Xing L, Yu D, et al. . Anormalidades da espessura cortical no final da adolescência com vício em jogos online. PLoS ONE (2013) 8: e53055. 10.1371 / journal.pone.0053055 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
8. Dong G, Devito E, Huang J, Du X. A imagem do tensor de difusão revela anomalias do tálamo e córtex cingulado posterior em viciados em jogos pela Internet. J Psychiatr Res. (2012) 46: 1212 – 6. 10.1016 / j.jpsychires.2012.05.015 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
9. Xing L, Yuan K, Bi Y, Yin J, Cai C, Feng D e outros. . Integridade de fibra e controle cognitivo reduzidos em adolescentes com distúrbio de jogos na internet. Cérebro Res. (2014) 1586: 109 – 17. 10.1016 / j.brainres.2014.08.044 [PubMed] [Cross Ref]
10. Besson P, Dinkelacker V, Valabregue R, L Thivard, Leclerc X, Baulac M, et al. . Diferenças na conectividade estrutural na epilepsia do lobo temporal esquerdo e direito. Neuroimagem (2014) 100: 135 – 44. 10.1016 / j.neuroimage.2014.04.071 [PubMed] [Cross Ref]
11. Huys QJ, Maia TV, Frank MJ. Psiquiatria computacional como uma ponte da neurociência para aplicações clínicas. Nat Neurosci. (2016) 19: 404 – 13. 10.1038 / nn.4238 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
12. Lemmens JS, Valkenburg PM, Gentile DA. A escala de distúrbios de jogos na internet. Psychol Assess. (2015) 27: 567 – 82. 10.1037 / pas0000062 [PubMed] [Cross Ref]
13. Dahnke R, Yotter RA, Gaser C. Espessura cortical e estimativa da superfície central. Neuroimagem (2013) 65: 336 – 48. 10.1016 / j.neuroimage.2012.09.050 [PubMed] [Cross Ref]
14. Smith SM, Jenkinson M. Johansen-Berg H. Rueckert D, Nichols TE, Mackay CE, et al. . Estatística espacial baseada em tratos: análise voxelwise de dados de difusão multi-assunto. Neuroimagem (2006) 31: 1487 – 505. 10.1016 / j.neuroimage.2006.02.024 [PubMed] [Cross Ref]
15. Martelos A, Allom R, Koepp MJ, SL Livre, Myers R, Lemieux L, et al. . Atlas de probabilidade máxima tridimensional do cérebro humano, com referência particular ao lobo temporal. Hum Brain Mapp. (2003) 19: 224 – 47. 10.1002 / hbm.10123 [PubMed] [Cross Ref]
16. Mori S, K Oishi, Jiang H, Jiang L, X Li, Akhter K, et al. . Atlas de matéria branca estereotáxica baseado em imagem de tensor de difusão em um modelo de ICBM. Neuroimagem (2008) 40: 570 – 82. 10.1016 / j.neuroimage.2007.12.035 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
17. Tibshirani R. Encolhimento regressão e seleção através do laço. J Roy Estat Soc Ser B (1996) 58: 267 88.
18. Zou H, Hastie T. Regularização e seleção variável através da rede elástica. J Roy Estat Soc Ser B (2005) 67: 301 20. 10.1111 / j.1467-9868.2005.00503.x [Cross Ref]
19. Theodoridis S. Machine Learning: Uma Bayesiana e Otimização Perspectiva. Londres: Academic Press; (2015)
20. Delong ER, Delong DM, Clarke-Pearson DL. Comparação das áreas sob duas ou mais curvas características de operação do receptor correlacionadas: uma abordagem não paramétrica. Biometria (1988) 44: 837 – 45. 10.2307 / 2531595 [PubMed] [Cross Ref]
21. Cho SH, Kwon JH. Uma validação da versão coreana da Internet Gaming Disorder Scale (K-IGDS): resultados de uma amostra comunitária de adultos. Coreano J Clin Psychol. (2017) 36: 104 – 17. 10.15842 / kjcp.2017.36.1.010 [Cross Ref]
22. Sigerson L, Li AYL, Cheung MWL, Luk JW e Cheng C. Propriedades psicométricas da escala de desordens dos jogos de internet na China. Addict Behav. (2017) 74: 20 – 6. 10.1016 / j.addbeh.2017.05.031 [PubMed] [Cross Ref]
23. Burke Quinlan E, Dodakian L, Veja J, Mckenzie A, Le V, Wojnowicz M, e outros. . A função neural, a lesão e o subtipo de acidente vascular cerebral predizem os ganhos do tratamento após o AVC. Ann Neurol. (2015) 77: 132 – 45. 10.1002 / ana.24309 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
24. Pariyadath V, Stein EA, Ross TJ. A classificação de aprendizado de máquina da conectividade funcional em estado de repouso prediz o status do tabagismo. Neurociência Frontal Hum. (2014) 8: 425. 10.3389 / fnhum.2014.00425 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
25. Fedota JR, Stein EA. Conectividade funcional em estado de repouso e dependência de nicotina: perspectivas para o desenvolvimento de biomarcadores. Ann NY Acad Sci. (2015) 1349: 64 – 82. 10.1111 / nyas.12882 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
26. Ahn WY, Ramesh D, Feller Moeller, Vassileva J. Utilidade de abordagens de aprendizado de máquina para identificar marcadores comportamentais para transtornos por uso de substâncias: dimensões da impulsividade como preditores da dependência atual de cocaína. Psiquiatria Frontal (2016) 7: 34. 10.3389 / fpsyt.2016.00034 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
27. Ahn WY, Vassileva J. Aprendizado de máquina identifica marcadores comportamentais específicos da substância para a dependência de opiáceos e estimulantes. Álcool de Drogas Depende. (2016) 161: 247 – 57. 10.1016 / j.drugalcdep.2016.02.008 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
28. Percy C, França M, Dragičević S, D'avila Garcez A. Prevendo a auto-exclusão do jogo online: uma análise do desempenho de modelos de aprendizado de máquina supervisionado. Int Gambl Stud. (2016) 16: 193-210. 10.1080 / 14459795.2016.1151913 [Cross Ref]
29. Ding WN, Sun JH, Sun YW, Y de Zhou, Li L, Xu JR, e outros. . Alteração da conectividade funcional em estado de repouso da rede padrão em adolescentes com vício em jogos na Internet. PLoS ONE (2013) 8: e59902. 10.1371 / journal.pone.0059902 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
30. Meng Y, Deng W, Wang H, Guo W, Li T. A disfunção pré-frontal em indivíduos com transtorno de jogo na Internet: uma meta-análise de estudos de ressonância magnética funcional. Viciado Biol. (2015) 20: 799 – 808. 10.1111 / adb.12154 [PubMed] [Cross Ref]
31. Zhang JT, Yao YW, Li RSE, Zang YF, Shen ZJ, Liu L, et al. . Alterada conectividade funcional em estado de repouso da ínsula em adultos jovens com distúrbio de jogos na Internet. Viciado Biol. (2015) 21: 743 – 51. 10.1111 / adb.12247 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
32. Cai C, Yuan K, Yin J, D Feng, Bi Y, Li Y, et al. . A morfometria do estriado está associada a déficits de controle cognitivo e gravidade dos sintomas no distúrbio de jogos na internet. Cérebro Imaging Behav. (2016) 10: 12 – 20. 10.1007 / s11682-015-9358-8 [PubMed] [Cross Ref]
33. Parque C, Chun JW, Cho H, Jung YC, Choi J, Kim DJ. O cérebro viciado em jogos pela Internet está perto de estar em estado patológico? Viciado Biol. (2017) 22: 196 – 205. 10.1111 / adb.12282 [PubMed] [Cross Ref]
34. Kuss DJ, Griffiths MD. Vício em jogos pela internet: uma revisão sistemática da pesquisa empírica. Int J Ment Health Addict. (2012) 10: 278 – 96. 10.1007 / s11469-011-9318-5 [Cross Ref]
35. Castellanos FX, Di Martino A, Craddock RC, Mehta AD, Milham MP. Aplicações clínicas do conectoma funcional. Neuroimagem (2013) 80: 527 – 40. 10.1016 / j.neuroimage.2013.04.083 [Artigo gratuito do PMC] [PubMed] [Cross Ref]
36. Tollenaar N, Van Der Heijden P. Qual método prediz melhor a reincidência ?: uma comparação de modelos preditivos de estatística, aprendizado de máquina e mineração de dados. J Roy Stat Soc Ser A (2013) 176: 565-84. 10.1111 / j.1467-985X.2012.01056.x [Cross Ref]