การติดอินเทอร์เน็ตและการเล่นเกม: การทบทวนวรรณกรรมอย่างเป็นระบบเกี่ยวกับการศึกษาระบบประสาท (2012)

สมองวิทย์ 2012, 2(3), 347-374; ดอย:10.3390 / brainsci2030347
 
Daria J. Kuss* และ Mark D. Griffiths
 
หน่วยปฏิบัติการวิจัยการเล่นเกมนานาชาติมหาวิทยาลัยนอตติงแฮมเทรนต์, นอตติงแฮม NG1 4BU, สหราชอาณาจักร
 
* ผู้เขียนที่ควรได้รับการติดต่อ
 
ได้รับ: 28 มิถุนายน 2012; ในรูปแบบที่แก้ไข: 24 สิงหาคม 2012 / ยอมรับแล้ว: 28 สิงหาคม 2012 / เผยแพร่: 5 กันยายน 2012
 
(บทความนี้เป็นของปัญหาพิเศษ ติดยาเสพติดและ Neuroadaptation)

นามธรรม:

ในทศวรรษที่ผ่านมาการวิจัยได้สะสมชี้ให้เห็นว่าการใช้อินเทอร์เน็ตมากเกินไปสามารถนำไปสู่การพัฒนาของการติดพฤติกรรม การติดอินเทอร์เน็ตได้รับการพิจารณาว่าเป็นภัยคุกคามที่ร้ายแรงต่อสุขภาพจิตและการใช้อินเทอร์เน็ตมากเกินไปนั้นเชื่อมโยงกับผลกระทบด้านจิตสังคมเชิงลบหลายรูปแบบ จุดมุ่งหมายของการทบทวนนี้คือการระบุการศึกษาเชิงประจักษ์ทั้งหมดจนถึงปัจจุบันที่ใช้เทคนิค neuroimaging เพื่อแยกแยะปัญหาสุขภาพจิตที่เกิดขึ้นใหม่ของอินเทอร์เน็ตและการติดเกมจากมุมมองทางประสาทวิทยา

การศึกษา Neuroimaging มีความได้เปรียบเหนือการสำรวจแบบดั้งเดิมและการวิจัยเชิงพฤติกรรมเพราะด้วยวิธีนี้มันเป็นไปได้ที่จะแยกแยะพื้นที่สมองโดยเฉพาะที่มีส่วนร่วมในการพัฒนาและบำรุงรักษาติดยาเสพติด มีการสืบค้นวรรณกรรมอย่างเป็นระบบซึ่งระบุการศึกษา 18 การศึกษาเหล่านี้ให้หลักฐานที่น่าสนใจสำหรับความคล้ายคลึงกันระหว่างการเสพติดประเภทต่างๆโดยเฉพาะการเสพติดที่เกี่ยวข้องกับสารเสพติดและอินเทอร์เน็ตและการติดการเล่นเกมในหลากหลายระดับ

ในระดับโมเลกุลการติดอินเทอร์เน็ตเป็นลักษณะของการขาดการให้รางวัลโดยรวมที่ทำให้เกิดกิจกรรมโดปามีนลดลง

ในระดับของวงจรประสาท, การติดอินเทอร์เน็ตและการเล่นเกมนำไปสู่การปรับระบบประสาทและการเปลี่ยนแปลงโครงสร้างที่เกิดขึ้นอันเป็นผลมาจากกิจกรรมที่เพิ่มขึ้นเป็นเวลานานในพื้นที่สมองที่เกี่ยวข้องกับการติดยาเสพติด

ในระดับพฤติกรรมผู้ติดอินเทอร์เน็ตและเกมดูเหมือนจะถูกบีบรัดโดยคำนึงถึงการทำงานของความรู้ความเข้าใจในโดเมนต่าง ๆ

กระดาษแสดงให้เห็นว่าการทำความเข้าใจกับเส้นประสาทที่เกี่ยวข้องกับการพัฒนาของอินเทอร์เน็ตและการติดเกมจะส่งเสริมการวิจัยในอนาคตและจะปูทางสำหรับการพัฒนาวิธีการรักษาติดยาเสพติด

คำสำคัญ: การติดอินเทอร์เน็ต ติดเกม neuroimaging; การทบทวนวรรณกรรม

 

1. บทนำ

ในทศวรรษที่ผ่านมาการวิจัยได้สะสมชี้ให้เห็นว่าการใช้อินเทอร์เน็ตมากเกินไปสามารถนำไปสู่การพัฒนาของการติดพฤติกรรม (เช่น [1,2,3,4]) หลักฐานทางคลินิกแสดงให้เห็นว่าผู้ติดอินเทอร์เน็ตได้สัมผัสกับอาการและผลที่เกิดจาก biopsychosocial จำนวนมาก [5] เหล่านี้รวมถึงอาการที่เกี่ยวข้องกับการติดสารเสพติดแบบดั้งเดิม ได้แก่ salience, การปรับเปลี่ยนอารมณ์, ความอดทน, อาการถอน, ความขัดแย้งและการกำเริบของโรค6]. การติดอินเทอร์เน็ตนั้นประกอบไปด้วยกิจกรรมทางอินเทอร์เน็ตที่หลากหลายซึ่งมีค่าความเจ็บป่วยที่อาจเกิดขึ้นเช่นการเล่นเกมการช็อปปิ้งการพนันหรือเครือข่ายสังคมออนไลน์. การเล่นเกมเป็นส่วนหนึ่งของโครงสร้างการติดยาเสพติดทางอินเทอร์เน็ตและการติดการเล่นเกมดูเหมือนจะเป็นรูปแบบเฉพาะของการติดอินเทอร์เน็ตที่มีการศึกษากันอย่างกว้างขวางจนถึงปัจจุบัน [7] ผู้เชี่ยวชาญด้านสุขภาพจิตและนักวิจัยเสนอให้รวมการติดอินเทอร์เน็ตเป็นโรคทางจิตในรุ่นที่ห้าของการวินิจฉัยและคู่มือการใช้สถิติของความผิดปกติทางจิต (DSM-V) จะมาถึงผลเป็นสมาคมจิตแพทย์อเมริกัน ปัญหาสุขภาพจิตที่ควรค่าแก่การตรวจสอบทางวิทยาศาสตร์ต่อไป8].

การใช้อินเทอร์เน็ตมากเกินไปนั้นเชื่อมโยงกับผลกระทบด้านจิตสังคมเชิงลบหลายรูปแบบ เหล่านี้รวมถึงความผิดปกติทางจิตเช่น somatization, ครอบงำและความวิตกกังวลผิดปกติอื่น ๆ , ภาวะซึมเศร้า [9] และความร้าวฉาน [10] เช่นเดียวกับลักษณะบุคลิกภาพและพยาธิวิทยาเช่นการฝังตัวและโรคจิต [11] ช่วงการประมาณความชุกจาก 2% [12] ถึง 15% [13] ขึ้นอยู่กับบริบททางสังคมวัฒนธรรมตัวอย่างและเกณฑ์การประเมินที่ใช้ การติดอินเทอร์เน็ตถือเป็นภัยคุกคามร้ายแรงต่อสุขภาพจิตในประเทศแถบเอเชียที่มีการใช้งานอินเทอร์เน็ตความเร็วสูงโดยเฉพาะเกาหลีใต้และจีน14].

 

 

1.1 การเพิ่มขึ้นของ Neuroimaging

สอดคล้องกับคาร์ทีเซียน dualism ปราชญ์ชาวฝรั่งเศส Descartes สนับสนุนมุมมองที่จิตใจเป็นนิติบุคคลที่แยกออกจากร่างกาย15] อย่างไรก็ตามความรู้ทางประสาทวิทยาศาสตร์ได้พิสูจน์ว่าเขาผิดและคืนดีเอนทิตี้ทางกายภาพของร่างกายด้วยเอนทิตีที่ค่อนข้างเข้าใจยาก [16] เทคนิค neuroimaging สมัยใหม่เชื่อมโยงกระบวนการคิด (เช่นจิตใจคิดเดส์การตส์) กับพฤติกรรมจริง (เช่นร่างกายเคลื่อนไหวของเดส์การตส์) โดยการวัดและการถ่ายภาพโครงสร้างของสมองและกิจกรรม กิจกรรมที่ถูกเปลี่ยนแปลงในส่วนของสมองที่เกี่ยวข้องกับการให้รางวัลแรงจูงใจความจำและการควบคุมความรู้ความเข้าใจมีส่วนเกี่ยวข้องกับการเสพติด [17].

งานวิจัยได้กล่าวถึงความสัมพันธ์เชิงเส้นประสาทของการพัฒนายาเสพติดผ่านการปรับสภาพแบบดั้งเดิมและแบบผ่าตัด18,19] จะพบว่าในช่วงเริ่มต้นของการใช้สารโดยสมัครใจและควบคุมการตัดสินใจที่จะใช้ยาจะทำโดยภูมิภาคสมองที่เฉพาะเจาะจงคือเยื่อหุ้มสมอง prefrontal (PFC) และ ventral striatum (VS) เมื่อความเคยชินกับการใช้งานและการบังคับพัฒนาขึ้นการเปลี่ยนแปลงการทำงานของสมองในบริเวณหลังของ striatum (DS) เริ่มทำงานมากขึ้นผ่านการปกคลุมด้วยเซลล์โดปามีน (เช่นโดปามีน)20] การใช้ยาในระยะยาวนำไปสู่การเปลี่ยนแปลงในเส้นทางของสมอง dopaminergic (เฉพาะส่วนหน้า cingulate (AC), เปลือกนอก orbitofrontal (OFC), และนิวเคลียส accumbens (NAc) ซึ่งอาจนำไปสู่การลดลงของความไวต่อผลตอบแทนทางชีวภาพ ควบคุมการแสวงหาและการเสพยาในที่สุด [21,22] ในระดับโมเลกุลภาวะซึมเศร้าในระยะยาว (LTD; เช่นการลดลง) ของกิจกรรม synaptic นั้นเชื่อมโยงกับการปรับตัวของสมองอันเป็นผลมาจากการเสพติดที่เกี่ยวข้องกับสาร [23] ยาเสพติดกลายเป็นไวต่อยาเพราะในช่วงเวลานานของการบริโภคความแข็งแรง synaptic ในพื้นที่หน้าท้องเพิ่มขึ้นพื้นที่และทำให้ LTD ของกลูตาเมตในนิวเคลียส accumbens ซึ่งจะส่งผลให้ความอยาก [24].

ในขณะเดียวกันสมอง (เช่น NAc, OFC, DLPFC) จะตอบสนองต่อยาเสพติดมากขึ้น (เช่นความพร้อมใช้งานบริบทเฉพาะ) ผ่านความอยาก [21,25] ความอยากใช้ยาเกี่ยวข้องกับการทำงานร่วมกันที่ซับซ้อนระหว่างบริเวณสมองที่หลากหลาย กิจกรรมในนิวเคลียส accumbens ต่อไปนี้การบริโภคยาซ้ำนำไปสู่ความสัมพันธ์การเรียนรู้ระหว่างตัวชี้นำยาเสพติดและผลกระทบของยาเสริม26] นอกจากนี้เยื่อหุ้มสมอง orbitofrontal สำคัญสำหรับแรงจูงใจที่จะมีส่วนร่วมในพฤติกรรมที่ amygdala (AMG) และฮิบโปแคมปัส (Hipp) เป็นพื้นที่สมองหลักที่เกี่ยวข้องกับฟังก์ชั่นหน่วยความจำมีบทบาทในความเป็นพิษและความอยากสาร17].

ผลตอบแทนตามธรรมชาติเช่นอาหารการชมเชยและ / หรือความสำเร็จจะค่อยๆสูญเสียความน่าเชื่อถือ เนื่องจากความเคยชินกับการให้รางวัลพฤติกรรมและการบริโภคยาเสพติดอาการติดลักษณะพัฒนา (เช่นความอดทน) ปริมาณที่เพิ่มขึ้นของสารหรือการมีส่วนร่วมที่เพิ่มขึ้นในพฤติกรรมที่เกี่ยวข้องมีความจำเป็นเพื่อให้เกิดผลตามที่ต้องการ เป็นผลให้ระบบการให้รางวัลไม่เพียงพอ สิ่งนี้นำไปสู่การเปิดใช้งานระบบ antireward ซึ่งจะลดความสามารถของผู้ติดยาเสพติดสำหรับการเสริมกำลังทางชีวภาพให้เป็นที่น่าพอใจ แต่เขาต้องการผู้เสริมแรงที่แข็งแกร่งกว่าเช่นยาหรือพฤติกรรมที่พวกเขาเลือกในจำนวนที่มากขึ้น (เช่นการพัฒนาความอดทน) เพื่อให้ได้รับรางวัล [27] นอกจากนี้การขาดโดปามีนในเส้นทาง mesocorticolimbic ระหว่างการเลิกบุหรี่จะอธิบายอาการถอน เหล่านี้จะถูกโต้กลับด้วยการบริโภคยาที่ต่ออายุ [17] การกำเริบของโรคและการพัฒนาวงจรพฤติกรรมที่ชั่วร้ายเป็นผลลัพธ์ [28] การบริโภคยาเสพติดเป็นเวลานานและ / หรือการมีส่วนร่วมในพฤติกรรมที่มีรางวัลจะนำไปสู่การเปลี่ยนแปลงในสมองรวมถึงความผิดปกติในภูมิภาค prefrontal เช่น OFC และ cingulate gyrus (CG) [17,29].

การวิจัยระบุว่าการเปลี่ยนแปลงกิจกรรมของสมองโดยทั่วไปเกี่ยวข้องกับการติดสารเสพติดที่เกิดขึ้นหลังจากการมีส่วนร่วมในพฤติกรรมเช่นการพนันทางพยาธิวิทยา [30] สอดคล้องกับสิ่งนี้มันเป็นเรื่องที่คาดเดาได้ว่ากลไกและการเปลี่ยนแปลงที่คล้ายกันนั้นเกี่ยวข้องกับอินเทอร์เน็ตและการติดเกม จุดประสงค์ของการตรวจสอบนี้จึงเป็นการระบุการศึกษาเชิงประจักษ์ที่ตรวจสอบโดยเพื่อนจนถึงปัจจุบันซึ่งใช้เทคนิค neuroimaging เพื่อแยกแยะปัญหาสุขภาพจิตที่เกิดขึ้นใหม่ของอินเทอร์เน็ตและการติดเกมจากมุมมองทางประสาทวิทยา Neuroimaging มีเทคนิคที่แตกต่างหลากหลาย Electroencephalogram (EEG), Positron Emission Tomography (PET), SPECT Single Photon Emission Computed Tomography (SPECT), การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้า (fMRI), และการถ่ายภาพด้วยเรโซแนนซ์แม่เหล็กโครงสร้าง (sMRI), เช่น Morphometry (VBM) และการแพร่กระจาย - เทนเซอร์อิมเมจจิ้ง (DTI) สิ่งเหล่านี้จะอธิบายสั้น ๆ ก่อนที่จะตรวจสอบการศึกษาที่ใช้เทคนิคเหล่านี้เพื่อการศึกษาบนอินเทอร์เน็ตและการติดเกม

 

 

1.2 ประเภทของ Neuroimaging ที่ใช้ในการศึกษากิจกรรมของสมองที่เสพติด

อิเล็กโทรเซนเซอร์ (EEG): ด้วย EEG กิจกรรมของระบบประสาทในเยื่อหุ้มสมองสามารถวัดได้ จำนวนขั้วไฟฟ้าถูกจับจ้องไปที่พื้นที่เฉพาะ (เช่นด้านหน้า, หลัง, ซ้ายและขวา) ของหัวของผู้เข้าร่วม ขั้วไฟฟ้าเหล่านี้วัดความผันผวนของแรงดันไฟฟ้า (เช่นกระแสไหล) ระหว่างขั้วไฟฟ้าคู่ที่เกิดจากการกระตุ้นของเส้นประสาทประสาท31] ด้วยศักยภาพที่เกี่ยวข้องกับเหตุการณ์ (ERP) ความสัมพันธ์ระหว่างสมองและพฤติกรรมสามารถวัดได้ผ่านการตอบสนองของเซลล์ประสาทด้วยไฟฟ้าเพื่อกระตุ้น32].

โพซิตรอน Emission Tomography (PET): PET เป็นวิธี neuroimaging ที่ช่วยให้การศึกษาการทำงานของสมองในระดับโมเลกุล ในการศึกษา PET กิจกรรมการเผาผลาญในสมองนั้นวัดจากโฟตอนจากการปล่อยโพซิตรอน (เช่นอิเล็กตรอนที่มีประจุบวก) ผู้ถูกยัดเยียดด้วยวิธีการแก้ปัญหากัมมันตภาพรังสี 2-deoxyglucose (2-DG) ซึ่งเกิดจากเซลล์ประสาทที่ทำงานอยู่ในสมอง ปริมาณของ 2-DG ในเซลล์ประสาทและการปล่อยโพซิตรอนจะใช้เพื่อวัดปริมาณการเผาผลาญในสมอง ดังนั้นกิจกรรมของเซลล์ประสาทสามารถถูกแมปในระหว่างการทำงานของงานเฉพาะ ผมสารสื่อประสาทแต่ละตัวนั้นสามารถแยกออกจาก PET ได้ซึ่งจะทำให้ได้เปรียบในภายหลังด้วยเทคนิค MRI มันสามารถวัดการกระจายกิจกรรมในรายละเอียด ข้อ จำกัด ของ PET ประกอบด้วยความละเอียดเชิงพื้นที่ค่อนข้างต่ำเวลาที่ต้องใช้ในการสแกนรวมทั้งความเสี่ยงจากรังสีที่อาจเกิดขึ้น [33].

เอกซ์เรย์คำนวณโฟตอนเดียว (SPECT): SPECT เป็นฟอร์มย่อยของ PET เช่นเดียวกับ PET สารกัมมันตรังสี (“ ผู้ติดตาม”) จะถูกฉีดเข้าสู่กระแสเลือดที่เดินทางไปยังสมองอย่างรวดเร็ว กิจกรรมการเผาผลาญที่แข็งแกร่งขึ้นในบริเวณสมองที่เฉพาะเจาะจงยิ่งแข็งแกร่งของรังสีแกมมา การแผ่รังสีที่ปล่อยออกมาจะถูกวัดตามชั้นของสมองและถ่ายภาพกิจกรรมการเผาผลาญโดยใช้เทคนิคทางคอมพิวเตอร์ แตกต่างจาก PET, SPECT ช่วยให้สามารถนับโฟตอนแต่ละตัวได้ แต่ความละเอียดของมันนั้นแย่กว่าเพราะ SPECT นั้นความละเอียดนั้นขึ้นอยู่กับความใกล้เคียงของกล้องแกมมาที่วัดกัมมันตภาพรังสีของเซลล์ประสาท [34].

การถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (fMRI): ด้วย fMRI การเปลี่ยนแปลงของระดับออกซิเจนในเลือดในสมองจะถูกวัดซึ่งบ่งบอกถึงการทำงานของเซลล์ประสาท โดยเฉพาะอัตราส่วนของ oxyhemoglobin (เช่นเฮโมโกลบินที่ประกอบด้วยออกซิเจนในเลือด) ต่อ deoxyhemoglobin (เช่นเฮโมโกลบินที่ปล่อยออกซิเจน) ในสมองนั้นมีการประเมินเนื่องจากการไหลเวียนของเลือดในพื้นที่สมอง "แอคทีฟ" เพิ่มการขนส่งกลูโคสมากขึ้น ในโมเลกุลเฮโมโกลบินที่มีออกซิเจนมากขึ้น การประเมินกิจกรรมการเผาผลาญในสมองช่วยให้การถ่ายภาพสมองที่ละเอียดและมีรายละเอียดมากขึ้นเมื่อเทียบกับ MRI เชิงโครงสร้าง นอกจากนี้ข้อดีของ fMRI ยังรวมถึงความเร็วของการถ่ายภาพสมองความละเอียดเชิงพื้นที่และการขาดความเสี่ยงต่อสุขภาพที่อาจเกิดขึ้นจากการสแกน PET [35].

การสร้างภาพด้วยคลื่นสนามแม่เหล็ก (sMRI): sMRI ใช้เทคนิคที่หลากหลายในการสร้างรูปร่างของสมอง [36].

  • หนึ่งในเทคนิคดังกล่าวคือ Voxel-Based Morphometry (VBM) VBM ใช้เพื่อเปรียบเทียบปริมาตรของบริเวณสมองและความหนาแน่นของสสารสีเทาและสีขาว [37].
  • อีกเทคนิค sMRI คือการแพร่ภาพ - เทนเซอร์ถ่ายภาพ (DTI) DTI เป็นวิธีที่ใช้ในการถ่ายภาพวัตถุสีขาว. มันประเมินการแพร่กระจายของโมเลกุลน้ำในสมองซึ่งช่วยในการระบุโครงสร้างสมองที่เชื่อมต่อกันโดยใช้เศษส่วน anisotropy (FA) การวัดนี้เป็นตัวบ่งชี้ความหนาแน่นของเส้นใยเส้นผ่านศูนย์กลาง axonal และ myelination ในสารสีขาว [38].

 

 

2 วิธี

การค้นหาวรรณกรรมที่ครอบคลุมได้ดำเนินการโดยใช้ฐานข้อมูลเว็บแห่งความรู้ คำค้นหาต่อไปนี้ (และอนุพันธ์) ถูกป้อนเกี่ยวกับการใช้อินเทอร์เน็ต: "ติดยาเสพติด", "เกิน", "ปัญหา" และ "บังคับ" นอกจากนี้ยังมีการศึกษาเพิ่มเติมจากแหล่งข้อมูลเพิ่มเติมเช่น Google Scholar และสิ่งเหล่านี้ถูกเพิ่มเข้ามาเพื่อสร้างการทบทวนวรรณกรรมที่ครอบคลุมมากขึ้น การศึกษาได้รับการคัดเลือกตามเกณฑ์การคัดเลือกดังต่อไปนี้ การศึกษาต้อง (i) ประเมินอินเทอร์เน็ตหรือการติดเกมออนไลน์หรือผลกระทบโดยตรงจากการเล่นเกมต่อการทำงานของระบบประสาท (ii) ใช้เทคนิค neuroimaging (iii) ตีพิมพ์ในวารสารที่ผ่านการตรวจสอบโดยเพื่อนและ (iv) เป็นข้อความแบบเต็มใน ภาษาอังกฤษ. ไม่มีการระบุช่วงเวลาสำหรับการค้นหาวรรณกรรมเนื่องจากเทคนิค neuroimaging ค่อนข้างใหม่ดังนั้นการศึกษาคาดว่าจะเป็นล่าสุด (กล่าวคือเกือบทั้งหมดได้รับการเผยแพร่ระหว่าง 2000 และ 2012)

3 ผล

ผลการศึกษา 18 ทั้งหมดระบุว่าเป็นไปตามเกณฑ์การคัดเลือก ในบรรดาวิธีการเก็บข้อมูลคือ fMRI ในแปดการศึกษา [39,40,41,42,43,44,45,46] และ sMRI ในการศึกษาสองครั้ง [47,48], สองงานวิจัยใช้การสแกน PET [49,50] หนึ่งในนั้นรวมกับ MRI [49] หนึ่งอันใช้ SPECT [51] และอีกหกการศึกษาใช้ EEG [52,53,54,55,56,57] ควรสังเกตว่าสองสิ่งเหล่านี้เป็นงานศึกษาเดียวกันกับที่ตีพิมพ์เป็นจดหมาย [53] และอีกหนึ่งฉบับที่ตีพิมพ์เป็นฉบับเต็ม [54] หนึ่งการศึกษา [57] เป็นไปตามเกณฑ์ทั้งหมด แต่ไม่รวมอยู่เนื่องจากรายละเอียดการวินิจฉัยของการติดอินเทอร์เน็ตนั้นไม่เพียงพอที่จะสรุปได้ นอกจากนี้งานวิจัยสองชิ้นไม่ได้ทำการประเมินอินเทอร์เน็ตและการติดเกมโดยตรง43,50] แต่ประเมินผลกระทบโดยตรงของการเล่นเกมต่อกิจกรรมทางระบบประสาทโดยใช้กระบวนทัศน์การทดลองและถูกเก็บไว้ในการทบทวน ข้อมูลรายละเอียดเกี่ยวกับการศึกษารวมอยู่ใน 1 ตาราง.

3.1 การศึกษา fMRI

Hoeft และคณะ [43] ตรวจสอบความแตกต่างระหว่างเพศในระบบ mesocorticolimbic ระหว่างการเล่นเกมคอมพิวเตอร์ในกลุ่มนักเรียนที่มีสุขภาพ 22 (ช่วงอายุ = 19 – 23 ปี; เพศหญิง 11) ผู้เข้าร่วมทุกคนได้รับ fMRI (เครื่องสแกนลายเซ็น 3.0-T (General Electric, Milwaukee, WI, USA) เสร็จสิ้นรายการตรวจสอบอาการ 90-R [58], และ NEO-Personality Inventory-R [59] FMRI ถูกดำเนินการในช่วง 40 บล็อกของทั้งสองเกมลูก 24-s โดยมีเป้าหมายที่จะได้รับพื้นที่หรือเงื่อนไขการควบคุมที่คล้ายกันที่ไม่รวมถึงเป้าหมายของเกมที่เฉพาะเจาะจง (ตามโครงสร้างการแต่งหน้า) ผลการวิจัยพบว่ามีการเปิดใช้งานวงจรประสาทที่เกี่ยวข้องกับการให้รางวัลและการติดยาในสภาพการทดลอง (เช่น insula, NAc, DLPFC และ OFC) ดังนั้นการปรากฏตัวของเป้าหมายของเกมจริง (ลักษณะของเกมออนไลน์ทั่วไปส่วนใหญ่ที่อิงตามกฏมากกว่าเกมเล่นตามบทบาทที่บริสุทธิ์), ปรับการทำงานของสมองผ่านพฤติกรรม ที่นี่มีความสัมพันธ์ระหว่างสาเหตุและผลที่ชัดเจนซึ่งเพิ่มความแข็งแกร่งให้กับการค้นพบ

ผลการศึกษายังแสดงให้เห็นว่าผู้เข้าร่วมชายมีการเปิดใช้งานที่มีขนาดใหญ่ขึ้น (ใน rNAc, blOFC, rAMG) และการเชื่อมต่อการทำงาน (lNAc, rAMG) ในระบบรางวัล mesocorticolimbic เมื่อเทียบกับผู้หญิง ผลการศึกษาชี้ให้เห็นว่าการเล่นเกมเปิดใช้งาน insula ที่ถูกต้อง (rI; สัญญาณเร้าอารมณ์อัตโนมัติ), PFC dorso-lateral ด้านขวา (เพิ่มรางวัลหรือพฤติกรรมการเปลี่ยนแปลง), cortator premotor ทวิภาคี (blPMC; การเตรียมการให้รางวัล) และ precuneus, lNAc rOFC (พื้นที่ที่เกี่ยวข้องในการประมวลผลด้วยภาพ, การมองเห็นในอวกาศ, ฟังก์ชั่นมอเตอร์และการแปลง sensori-motor) เปรียบเทียบกับสถานะพัก43] Insula ได้รับการพัวพันในความอยากรู้อยากเห็นสำหรับสารเสพติดโดยการพัวพันกระบวนการตัดสินใจที่เกี่ยวข้องกับความเสี่ยงและผลตอบแทน ความผิดปกติของ Insula อาจอธิบายกิจกรรมทางระบบประสาทที่บ่งบอกถึงการกำเริบของโรค [60] เนื่องจากธรรมชาติของการทดลองการศึกษาครั้งนี้สามารถให้ข้อมูลเชิงลึกเกี่ยวกับการเปิดใช้งานสมองที่แปลกประหลาดเป็นผลมาจากการเล่นเกมในประชากรที่มีสุขภาพดี (เช่นไม่ติดยาเสพติด)

ตาราง1 ตาราง รวมการศึกษา   

คลิกที่นี่เพื่อแสดงตาราง

 

เกาะและอัล [44] พยายามระบุพื้นผิวทางประสาทของการติดเกมออนไลน์โดยการประเมินพื้นที่สมองที่เกี่ยวข้องกับการกระตุ้นให้มีส่วนร่วมในเกมออนไลน์ในหมู่ผู้ติดเกมออนไลน์ชายสิบคน (เล่น World of Warcraft นานกว่า 30 ฮ่าสัปดาห์) เทียบกับสิบตัวควบคุมชาย น้อยกว่าสองชั่วโมงต่อวัน) ผู้เข้าร่วมทั้งหมดทำตามเกณฑ์การวินิจฉัยสำหรับการติดอินเทอร์เน็ตสำหรับนักศึกษา (DCIA-C; [74]) บทสัมภาษณ์ประสาทวิทยามินิอินเตอร์เนชั่นแนล [75] ระดับการติดอินเทอร์เน็ตของเฉิน (CIAS) [71], การทดสอบความผิดปกติในการใช้แอลกอฮอล์ (AUDIT) [76] และการทดสอบ Fagerstrom สำหรับการพึ่งพานิโคติน (FTND) [77] ผู้เขียนนำเสนอรูปภาพโมเสคที่เกี่ยวข้องกับเกมและจับคู่ระหว่างการสแกน fMRI (3T MRscanner) และความแตกต่างของสัญญาณ BOLD ในเงื่อนไขทั้งสองถูกวิเคราะห์โดยใช้กระบวนทัศน์ปฏิกิริยาคิว [25] ผลการวิจัยชี้ให้เห็นว่าความอยากรู้อยากเห็นที่เกิดขึ้นร่วมกันระหว่างผู้ที่พึ่งพาสารเคมี มีการเปิดใช้งานสมองที่แตกต่างกันในหมู่ผู้ติดเกมหลังจากนำเสนอตัวชี้นำที่เกี่ยวข้องกับเกมเมื่อเปรียบเทียบกับการควบคุมและเปรียบเทียบกับการนำเสนอภาพโมเสครวมถึง rOFC, rNAc, blAC, mFC, rDLPFC และนิวเคลียส caudate ขวา (rCN) การเปิดใช้งานนี้สัมพันธ์กับการกระตุ้นการเล่นเกมและการจดจำประสบการณ์การเล่นเกม มันเป็นที่ถกเถียงกันอยู่ว่ามีพื้นฐานทางชีวภาพที่คล้ายคลึงกันของการเสพติดที่แตกต่างกันรวมถึงการติดเกมออนไลน์ ลักษณะกึ่งทดลองของการศึกษานี้ที่เกิดความอยากเทียมในการทดลองและการควบคุมอนุญาตให้ผู้เขียนสรุปตามความแตกต่างของกลุ่มและเชื่อมโยงสถานะการติดเกมออนไลน์กับการเปิดใช้งานของพื้นที่สมองที่เกี่ยวข้องกับอาการของแบบดั้งเดิมมากขึ้น เช่นการเสพติดที่เกี่ยวข้องกับสารเคมี

ฮั่นและคณะ [42] ประเมินความแตกต่างในการทำงานของสมองก่อนและระหว่างการเล่นวิดีโอเกมในนักศึกษามหาวิทยาลัยที่เล่นในช่วงเจ็ดสัปดาห์ ผู้เข้าร่วมทั้งหมดทำรายการ Beck Depression Inventory [78] ระดับการติดอินเทอร์เน็ต67] และ 7-point visual scale analogue scale (VAS) เพื่อประเมินความอยากเล่นวิดีโอเกมบนอินเทอร์เน็ต กลุ่มตัวอย่างประกอบด้วยนักศึกษามหาวิทยาลัย 21 (ชาย 14; อายุเฉลี่ย = 24.1 ปี, SD = 2.6, การใช้คอมพิวเตอร์ = 3.6, SD = วัน 1.6 ฮ่า; หมายถึงคะแนน IAS = 38.6, SD = 8.3) สิ่งเหล่านี้ถูกแบ่งออกเป็นสองกลุ่ม: กลุ่มเกมอินเทอร์เน็ตที่มากเกินไป (ผู้ที่เล่นวิดีโอเกมทางอินเทอร์เน็ตนานกว่า 60 ขั้นต่ำต่อวันตลอดระยะเวลา 42 วัน; n = 6) และกลุ่มผู้เล่นทั่วไป (ผู้ที่เล่นน้อยกว่า 60 นาที a วันในช่วงเวลาเดียวกัน n = 15) ผู้เขียนใช้ 3T ระดับออกซิเจนในเลือดขึ้นอยู่กับ fMRI (โดยใช้เครื่องสแกนเนอร์ Philips Achieva 3.0 Tesla TX) และรายงานว่าการทำงานของสมองในส่วนหน้าและเยื่อหุ้มสมองส่วนหน้าเพิ่มขึ้นในกลุ่มผู้เล่นเกมอินเทอร์เน็ตที่มากเกินไป พวกเขายังรายงานว่าความอยากที่เพิ่มขึ้นสำหรับวิดีโอเกมทางอินเทอร์เน็ตมีความสัมพันธ์กับกิจกรรมที่เพิ่มขึ้นในหน้าแรกสำหรับผู้เข้าร่วมทั้งหมด การศึกษาแบบกึ่งทดลองครั้งนี้ไม่เพียง แต่นำเสนอหลักฐานสำหรับกิจกรรมสมองที่แตกต่างในผู้ติดเกมออนไลน์เมื่อเปรียบเทียบกับกลุ่มควบคุมผู้เล่นทั่วไป แต่ยังอธิบายการเปิดใช้งานสมองที่เกิดขึ้นอันเป็นผลมาจากการเล่นในทั้งสองกลุ่ม สิ่งนี้บ่งชี้ว่า (i) ความอยากเกมออนไลน์เปลี่ยนกิจกรรมสมองโดยไม่คำนึงถึงสถานะของการเสพติดและอาจถูกมองว่าเป็นอาการ (prodromal) ของการเสพติดและ (ii) ผู้เล่นที่ติดเกมจะแตกต่างจากผู้เล่นเกมออนไลน์ที่ไม่ติดเกม รูปแบบของการกระตุ้นสมอง

หลิวและคณะ [45] จัดการวิธีการความเป็นเนื้อเดียวกันในระดับภูมิภาค (ReHo) เพื่อวิเคราะห์ลักษณะการทำงานของสมองในสมองของผู้ติดอินเทอร์เน็ตภายใต้สถานะพัก กลุ่มตัวอย่างประกอบด้วยนักศึกษาวิทยาลัย 19 ที่ติดอินเทอร์เน็ตและควบคุม 19 การประเมินการติดอินเทอร์เน็ตได้รับการประเมินโดยใช้เกณฑ์ของ Beard and Wolf [72] ดำเนินการ FMRI โดยใช้สแกนเนอร์ 3.0T ของซีเมนส์ Tesla Trio Tim ความสม่ำเสมอของภูมิภาคบ่งบอกถึงความสม่ำเสมอของเวลาในระดับออกซิเจนในสมองในบริเวณที่สมองสนใจ มีรายงานว่าผู้ติดอินเทอร์เน็ตได้รับความทุกข์ทรมานจากการเปลี่ยนแปลงของสมองที่นำไปสู่ความผิดปกติในความสม่ำเสมอของภูมิภาคเมื่อเทียบกับกลุ่มควบคุมโดยเฉพาะอย่างยิ่งที่เกี่ยวข้องกับเส้นทางการให้รางวัลแบบดั้งเดิม ในหมู่ผู้ติดอินเทอร์เน็ต, บริเวณสมองใน ReHo ในสภาพพักได้เพิ่มขึ้น (cerebellum, ก้านสมอง, rCG, parahippocampus ทวิภาคีทวิภาคี (blPHipp), กลีบหน้าผากขวา, ซ้ายหน้าผาก gyrus (lSFG), กลีบขมับด้านขวาด้านขวา (rSG) (lSTG) และ gyrus ชั่วขณะกลาง (mTG)) สัมพันธ์กับกลุ่มควบคุม พื้นที่ทางขมับนั้นเกี่ยวข้องกับการประมวลผลการได้ยินความเข้าใจและความจำทางวาจาในขณะที่บริเวณท้ายทอยดูแลการประมวลผลทางสายตา สมองน้อยควบคุมกิจกรรมการเรียนรู้ เกี่ยวข้องกับการรวมข้อมูลทางประสาทสัมผัสและการติดตามความขัดแย้ง ฮิปโปแคมป์นั้นมีส่วนเกี่ยวข้องกับระบบ mesocorticolimbic ของสมองซึ่งเกี่ยวข้องกับเส้นทางการให้รางวัล เมื่อนำมารวมกันการค้นพบเหล่านี้เป็นหลักฐานว่ามีการเปลี่ยนแปลงในส่วนต่าง ๆ ของสมองอันเป็นผลมาจากการติดอินเทอร์เน็ต ขณะที่การศึกษานี้ประเมินความเป็นเนื้อเดียวกันของภูมิภาคภายใต้สภาวะพักผ่อนมันไม่ชัดเจนว่าการเปลี่ยนแปลงของสมองที่สังเกตเห็นในผู้ติดอินเทอร์เน็ตนั้นเป็นสาเหตุหรือผลของการติดยาเสพติด ดังนั้นจึงไม่สามารถอนุมานสาเหตุได้

หยวนและคณะ [46] ตรวจสอบผลกระทบของการติดอินเทอร์เน็ตที่มีต่อความสมบูรณ์ของโครงสร้างทางจุลภาคของเส้นทางเซลล์ประสาทที่สำคัญและการเปลี่ยนแปลงทางโครงสร้างจุลภาคที่เกี่ยวข้องกับระยะเวลาของการติดอินเทอร์เน็ต ตัวอย่างของพวกเขาประกอบด้วยนักเรียน 18 ที่ติดอินเทอร์เน็ต (เพศชาย 12; Mean age = 19.4, SD = ปี 3.1, หมายถึงการเล่นเกมออนไลน์ = 10.2 ชั่วโมงต่อวัน, SD = 2.6, ระยะเวลาของการติดอินเทอร์เน็ต = เดือน 34.8, SD = 8.5) ผู้เข้าร่วมควบคุมที่ไม่ใช่อินเทอร์เน็ต (อายุเฉลี่ย = 18 ปี, SD = 19.5) ผู้เข้าร่วมทั้งหมดตอบแบบสอบถามการวินิจฉัยที่แก้ไขเพื่อการติดอินเทอร์เน็ต72] ระดับความวิตกกังวลการประเมินตนเอง (ไม่มีรายละเอียด) และระดับความวิตกกังวลเกี่ยวกับการประเมินตนเอง (ไม่มีรายละเอียด) ผู้เขียนใช้ fMRI และใช้เทคนิค voxel-based morphometry (VBM) ที่ดีที่สุด พวกเขาวิเคราะห์การเปลี่ยนแปลง anisotropy เรื่องเศษส่วนสีขาว (FA) โดยใช้การแพร่ภาพเทนเซอร์ (DTI) เพื่อมองเห็นการเปลี่ยนแปลงโครงสร้างของสมองอันเป็นผลมาจากความยาวของการติดอินเทอร์เน็ต ผลการศึกษาพบว่าการติดอินเทอร์เน็ตทำให้เกิดการเปลี่ยนแปลงในโครงสร้างของสมองและการเปลี่ยนแปลงของสมองที่พบนั้นคล้ายกับที่พบในการติดสาร

การควบคุมอายุเพศและปริมาตรของสมองพบว่าในกลุ่มผู้ติดอินเทอร์เน็ตมีปริมาณสสารสีเทาลดลงในคอร์เทกซ์สมองส่วนหน้า dorsolateral prefrontal cortex (DLPFC) พื้นที่เสริมมอเตอร์ (SMA) orbitofrontal cortex (OFC) ซีเบลลัมและด้านซ้าย rostral ACC (rACC), FA ที่เพิ่มขึ้นของกิ่งด้านหลังด้านซ้ายของแคปซูลภายใน (PLIC), และ FA ที่ลดลงในสสารสีขาวที่ด้านขวาของ parahippocampal gyrus (PHG) นอกจากนี้ยังมีความสัมพันธ์ระหว่างปริมาณสสารสีเทาใน DLPFC, rACC, SMA และการเปลี่ยนแปลง FA ของสสารสีขาวของ PLIC ด้วยระยะเวลาที่บุคคลนั้นติดอินเทอร์เน็ต สิ่งนี้บ่งชี้ว่ายิ่งคนติดอินเทอร์เน็ตอยู่นานเท่าไหร่สมองก็จะยิ่งฝ่อมากขึ้นเท่านั้น ในแง่ของวิธีการก็ไม่มีความชัดเจนจากคำอธิบายของผู้เขียนว่ากลุ่มตัวอย่างของพวกเขารวมผู้ที่ติดอินเทอร์เน็ตแล้วหรือเล่นเกมออนไลน์ การรวมคำถามที่ถามเฉพาะเกี่ยวกับความถี่และระยะเวลาของการเล่นเกมออนไลน์ (แทนที่จะเป็นกิจกรรมทางอินเทอร์เน็ตอื่น ๆ ที่อาจเกิดขึ้น) แสดงให้เห็นว่ากลุ่มที่มีปัญหานั้นประกอบด้วยนักเล่นเกม นอกจากนี้การค้นพบที่นำเสนอไม่สามารถแยกปัจจัยอื่น ๆ ที่อาจเกี่ยวข้องกับการติดอินเทอร์เน็ต (เช่นอาการซึมเศร้า) ที่อาจมีส่วนทำให้ความรุนแรงของสมองลีบเพิ่มขึ้น

ดงและคณะ [39] ตรวจสอบการให้รางวัลและการลงโทษในผู้ติดอินเทอร์เน็ตเมื่อเปรียบเทียบกับการควบคุมที่ดี ผู้ใหญ่เพศชาย (n = 14) ที่ติดอินเทอร์เน็ต (อายุเฉลี่ย = 23.4, SD = 3.3 ปี) เปรียบเทียบกับ 13 เพศชายผู้ใหญ่ที่มีสุขภาพดี (อายุเฉลี่ย = 24.1 ปี, SD = 3.2) ผู้เข้าร่วมประชุมเสร็จสิ้นการสัมภาษณ์ทางจิตที่มีโครงสร้าง [79], Beck Depression Inventory [78], การทดสอบการติดอินเทอร์เน็ตจีน [62,63] และการทดสอบการติดอินเทอร์เน็ต (IAT; [61]) IAT วัดการพึ่งพาทางจิตใจการใช้งานบังคับการถอนปัญหาที่เกี่ยวข้องในโรงเรียนการทำงานการนอนหลับครอบครัวและการจัดการเวลา ผู้เข้าร่วมจะต้องทำคะแนนมากกว่า 80 (จาก 100) ใน IAT เพื่อจัดประเภทว่ามีการติดอินเทอร์เน็ต นอกจากนี้ทุกคนที่ถูกจัดประเภทเป็นผู้ติดอินเทอร์เน็ตใช้เวลามากกว่าหกชั่วโมงออนไลน์ทุกวัน (ไม่รวมการใช้อินเทอร์เน็ตที่เกี่ยวข้องกับงาน) และทำเช่นนั้นเป็นเวลานานกว่าสามเดือน

ผู้เข้าร่วมทุกคนมีส่วนร่วมในการคาดเดาสถานการณ์จริงเพื่อจำลองสถานการณ์เงินหรือขาดทุนโดยใช้ไพ่ ผู้เข้าร่วมได้รับ fMRI พร้อมสิ่งเร้าที่นำเสนอผ่านจอภาพในหัวม้วนและการเปิดใช้งานระดับออกซิเจนในเลือดของพวกเขา (BOLD) ขึ้นอยู่กับการชนะและการสูญเสียงาน ผลการวิจัยพบว่าการติดอินเทอร์เน็ตนั้นสัมพันธ์กับการเปิดใช้งานที่เพิ่มขึ้นใน OFC ในการทดลองเพิ่มและลดการเปิดใช้งานการทดสอบก่อนหน้าในการคำนวณการสูญเสียเมื่อเปรียบเทียบกับการควบคุมปกติ ผู้ติดอินเทอร์เน็ตแสดงความไวของรางวัลที่เพิ่มขึ้นและความไวการสูญเสียลดลงเมื่อเปรียบเทียบกับกลุ่มควบคุม [39] ลักษณะกึ่งทดลองของการศึกษานี้อนุญาตให้มีการเปรียบเทียบที่แท้จริงของทั้งสองกลุ่มโดยการเปิดเผยพวกเขากับสถานการณ์การเล่นเกมและทำให้เกิดปฏิกิริยาของเซลล์ประสาทเทียมซึ่งเป็นผลมาจากการมีส่วนร่วมในงาน ดังนั้นการศึกษาครั้งนี้อนุญาตให้มีการลดความสัมพันธ์เชิงสาเหตุระหว่างการสัมผัสกับการเล่นเกมและการกระตุ้นสมอง สิ่งนี้อาจถือได้ว่าเป็นหลักฐานเชิงประจักษ์สำหรับความอ่อนไหวของรางวัลในผู้ติดอินเทอร์เน็ตที่เกี่ยวข้องกับการควบคุมสุขภาพ

ฮั่นและคณะ [40] เปรียบเทียบปริมาณสสารสีเทาระดับภูมิภาคในผู้ป่วยที่ติดเกมออนไลน์และนักเล่นเกมมืออาชีพ ผู้เขียนดำเนินการ fMRI โดยใช้เครื่องสแกนเนอร์ 1.5 Tesla Espree (Siemens, Erlangen) และทำการเปรียบเทียบ voxel-wise ของปริมาณสสารสีเทา ผู้เข้าร่วมทั้งหมดเสร็จสิ้นการสัมภาษณ์ทางคลินิกอย่างเป็นระบบสำหรับ DSM-IV [80], Beck Depression Inventory [78], Barratt Impulsiveness Scale- เวอร์ชั่นเกาหลี (BIS-K9) [81,82] และมาตราส่วนการติดอินเทอร์เน็ต (IAS) [67] (i) ที่ให้คะแนนมากกว่า 50 (จาก 100) บน IAS, (ii) เล่นนานกว่าสี่ชั่วโมงต่อวัน / 30 ชั่วโมงต่อสัปดาห์และ (iii) พฤติกรรมบกพร่องหรือความทุกข์เนื่องจากการเล่นเกมออนไลน์ถูกจัดประเภท ในฐานะผู้ติดการพนันทางอินเทอร์เน็ต กลุ่มตัวอย่างประกอบด้วยสามกลุ่ม กลุ่มแรกรวมผู้ป่วย 20 ที่ติดการเล่นเกมออนไลน์ (อายุเฉลี่ย = 20.9, SD = 2.0; ระยะเวลาการเจ็บป่วยหมายถึง = ปี 4.9, SD = 0.9, เวลาเล่นเฉลี่ย = 9.0, SD = 3.7 ชั่วโมง / วัน; SD = 13.1 ชั่วโมง / วันหมายถึงคะแนน IAS = 2.9, SD = 81.2) กลุ่มที่สองประกอบด้วยนักเล่นเกมมืออาชีพ 9.8 (หมายถึงอายุ = 17 ปี, SD = 20.8, เวลาเล่นเฉลี่ย = 1.5, SD = 9.4 ชั่วโมง / วัน, การใช้อินเทอร์เน็ต = คะแนน 1.6, SD = 11.6 ชั่วโมง / วัน; 2.1, SD = 40.8) กลุ่มที่สามรวมการควบคุมที่ดีต่อสุขภาพของ 15.4 (หมายถึงอายุ = 18, SD = 12.1 ปี; หมายถึงการเล่นเกม = 1.1, SD = 1.0 ชั่วโมง / วัน, การใช้อินเทอร์เน็ต = 0.7, SD = 2.8 h / วัน, หมายถึง IAS = 1.1, SD = 41.6)

ผลการศึกษาพบว่าผู้เสพติดเกมมีแรงกระตุ้นที่สูงกว่าข้อผิดพลาดแบบเพียรปริมาณที่เพิ่มขึ้นในสสารสีเทาฐานดอกด้านซ้ายและปริมาณสสารสีเทาใน ITG ลดลงกลางท้ายทอยด้านขวา (rmOG) และด้านซ้ายท้ายทอย gyrus (lIOG) . นักเล่นเกมมืออาชีพเพิ่มปริมาณสสารสีเทาใน lCG และลดระดับสสารสีเทาใน lmOG และ rITG เมื่อเทียบกับกลุ่มควบคุมเพิ่มสสารสีเทาใน lCG และลดระดับสสารที่เหลือจากฐานดอกสีเทาเมื่อเทียบกับปัญหาเกมออนไลน์ ความแตกต่างที่สำคัญระหว่างผู้ติดเกมและนักเล่นเกมมืออาชีพอยู่ในปริมาณสีเทาที่เพิ่มขึ้นของนักเล่นเกมระดับมืออาชีพใน lCG (สำคัญสำหรับฟังก์ชั่นสำหรับผู้บริหาร, salience และ visuospatial) และฐานดอกซ้ายของผู้ติดเกม (สำคัญในการเสริมแรงและการแจ้งเตือน)40] ขึ้นอยู่กับลักษณะที่ไม่ใช่การทดลองของการศึกษามันเป็นเรื่องยากที่จะแยกแยะความแตกต่างที่เห็นได้ชัดในโครงสร้างสมองในกลุ่มต่าง ๆ เพื่อสถานะการติดยาเสพติดที่แท้จริง ตัวแปรรบกวนที่เป็นไปได้ไม่สามารถยกเว้นได้ซึ่งอาจทำให้เกิดความแตกต่างที่พบ

ฮั่นและคณะ [41] ทดสอบผลกระทบของการรักษา bupropion อย่างต่อเนื่องต่อการทำงานของสมองในหมู่ผู้ติดเกมบนอินเทอร์เน็ตและการควบคุมสุขภาพ ผู้เข้าร่วมทั้งหมดเสร็จสิ้นการสัมภาษณ์ทางคลินิกอย่างเป็นระบบสำหรับ DSM-IV [80], Beck Depression Inventory [78] ระดับการติดอินเทอร์เน็ต61] และการเล่นวิดีโอเกม Craving for Internet ได้รับการประเมินด้วยระดับภาพอนาล็อก 7-point ผู้เข้าร่วมที่เล่นเกมทางอินเทอร์เน็ตมากกว่าสี่ชั่วโมงต่อวันได้คะแนนมากกว่า 50 (จาก 100) ใน IAS และมีพฤติกรรมที่ผิดปกติและ / หรือความทุกข์ถูกจัดประเภทเป็นผู้ติดเกมบนอินเทอร์เน็ต ตัวอย่างประกอบด้วยผู้ติดเกมทางอินเทอร์เน็ต 11 (อายุเฉลี่ย = 21.5, SD = ปี 5.6; คะแนนความอยากเฉลี่ย = 5.5, SD = 1.0, เวลาเล่นเฉลี่ย = 6.5, SD = 2.5 ชั่วโมง / วัน; หมายถึง IAS = 71.2, SD = 9.4 ) และการควบคุมที่ดีต่อสุขภาพของ 8 (หมายถึงอายุ = 11.8, SD = 2.1 ปี; คะแนนความอยาก = 3.9, SD = 1.1; หมายถึงการใช้อินเทอร์เน็ต = 1.9, SD = 0.6 h / วัน; หมายถึง IAS = 27.1, SD = 5.3) . ในระหว่างการสัมผัสกับตัวชี้นำเกมผู้ติดเกมบนอินเทอร์เน็ตมีการเปิดใช้งานสมองมากขึ้นในส่วนท้ายของสมองกลีบท้ายทอยด้านซ้ายเยื่อหุ้มสมองส่วนหน้า preorsal ด้านซ้ายและด้านซ้ายของสมองที่สัมพันธ์กับกลุ่มควบคุม ผู้เข้าร่วมที่ติดการเล่นเกมทางอินเทอร์เน็ตได้รับการรักษาอย่างต่อเนื่องเป็นเวลา 6 สัปดาห์ (150 mg / วันในสัปดาห์แรกและ 300 mg / วันหลังจากนั้น) กิจกรรมสมองถูกวัดที่พื้นฐานและหลังการรักษาโดยใช้เครื่องสแกนเนอร์ 1.5 Tesla Espree fMRI ผู้เขียนรายงานว่าบูโพรพิออนยังคงปล่อยการรักษาอย่างต่อเนื่องสำหรับผู้ติดเกมบนอินเทอร์เน็ตในลักษณะเดียวกันกับผู้ป่วยที่ต้องพึ่งพาสารเคมี หลังการรักษาความอยากเวลาเล่นและกิจกรรมสมองที่เกิดจากคิวลดลงในหมู่ผู้ติดเกมออนไลน์ ธรรมชาติระยะยาวของการศึกษานี้ช่วยในการกำหนดสาเหตุและผลกระทบซึ่งเน้นความถูกต้องและความน่าเชื่อถือของผลการวิจัยที่นำเสนอ

 

 

3.2 การศึกษา sMRI

หลินและคณะ [48] ตรวจสอบความสมบูรณ์ของสสารสีขาวในวัยรุ่นที่ติดอินเทอร์เน็ต ผู้เข้าร่วมทั้งหมดเสร็จสิ้นการทดสอบการติดอินเทอร์เน็ตที่ได้รับการแก้ไข [72] รายการสิ่งของที่ถนัดของเอดินเบอระ83] การสัมภาษณ์ Mini Neuropsychiatric สำหรับเด็กและวัยรุ่น (MINI-KID) [84] ระดับการจัดการการจัดการเวลา [85], Barratt Impulsiveness Scale [86] หน้าจอสำหรับความวิตกกังวลของเด็กที่เกี่ยวข้องกับความผิดปกติทางอารมณ์ (กลัว) [87] และอุปกรณ์ประเมินครอบครัว (FAD) [88] ตัวอย่างประกอบด้วยผู้ติดยา 17 อินเทอร์เน็ต (เพศชาย 14 ช่วงอายุ = 14 – 24 ปี; IAS หมายถึงคะแนน = 37.0, SD = 10.6) และการควบคุมสุขภาพที่ดี 16 (14 – 16 ปี; IAS หมายถึงคะแนน = 24 ปี; IAS หมายถึงคะแนน = 64.7 ปี; , SD = 12.6) ผู้เขียนดำเนินการวิเคราะห์ voxel-wise ทั้งสมองโดยใช้ fractions anisotropy (FA) โดยใช้สถิติพื้นที่เชิงพื้นที่ (TBSS) และการวิเคราะห์ปริมาณความสนใจทำได้โดยใช้การถ่ายภาพด้วยวิธี diffusion tenor (DTI) ผ่านเครื่อง 3.0-Tesla Phillips Achieva .

ผลการวิจัยพบว่า OFC มีความสัมพันธ์กับการประมวลผลทางอารมณ์และปรากฏการณ์ที่เกี่ยวข้องกับการเสพติด (เช่นความอยากพฤติกรรมการบีบบังคับการตัดสินใจที่ไม่เหมาะสม) ความสมบูรณ์ของสสารสีขาวที่ผิดปกติในเยื่อหุ้มสมองส่วนหน้านั้นเชื่อมโยงกับการเสพติดที่แตกต่างกันและบ่งชี้ถึงความบกพร่องในการควบคุมการรับรู้ ผู้เขียนยังรายงานการเชื่อมต่อของเส้นใยที่บกพร่องใน corpus callosum ที่พบได้ทั่วไปในผู้ที่พึ่งพาสารเคมี ผู้ติดอินเทอร์เน็ตแสดงให้เห็น FA ที่ต่ำกว่าทั่วสมอง (ออร์บิทโก - ฟรอนต์ - หน้าผากสีขาวคอร์ปัสคาลโลคัส, cingulum, fasciculus fronto-ท้ายทอยด้อยกว่า, รังสีโคโรนา, แคปซูลภายในและภายนอก) สัมพันธ์กับการควบคุมและมีความสัมพันธ์เชิงลบระหว่าง FA callosum และความผิดปกติทางอารมณ์และ FA ในแคปซูลภายนอกซ้ายและติดอินเทอร์เน็ต โดยรวมแล้วผู้ติดอินเทอร์เน็ตมีความสมบูรณ์ของสสารสีขาวผิดปกติในส่วนของสมองที่เชื่อมโยงกับการประมวลผลทางอารมณ์ความสนใจของผู้บริหารการตัดสินใจและการควบคุมการรับรู้เมื่อเปรียบเทียบกับกลุ่มควบคุม ผู้เขียนเน้นความคล้ายคลึงกันในโครงสร้างสมองระหว่างผู้ติดอินเทอร์เน็ตและผู้ติดสาร48] เนื่องจากลักษณะที่ไม่ใช่การทดลองและการตัดขวางของการศึกษาคำอธิบายทางเลือกสำหรับการดัดแปลงสมองนอกเหนือจากการเสพติดไม่สามารถแยกออกได้

โจวและคณะ [47] การเปลี่ยนแปลงความหนาแน่นของสสารสีเทาในสมอง (GMD) ในวัยรุ่นที่ติดยาเสพติดทางอินเทอร์เน็ตโดยใช้การวิเคราะห์ด้วย voxel-based morphometry (VBM) ในภาพ T1 ที่ถ่วงน้ำหนักด้วยโครงสร้างความละเอียดสูง ตัวอย่างของพวกเขาประกอบด้วยวัยรุ่น 18 ที่ติดอินเทอร์เน็ต (ชาย 16; อายุเฉลี่ย = 17.2 ปี, SD = 2.6), และ 15 ผู้เข้าร่วมการควบคุมสุขภาพที่ไม่มีประวัติความเจ็บป่วยทางจิต (13 ปี, SD = 17.8) ผู้เข้าร่วมทั้งหมดเสร็จสิ้นการทดสอบการติดอินเทอร์เน็ตที่ได้รับการแก้ไข [72] ผู้เขียนใช้ MRI ถ่วงน้ำหนักความละเอียดสูง T1 ดำเนินการกับสแกนเนอร์ 3T MR (3T Achieva Philips), ลำดับชีพจร MPRAGE ที่สแกนสำหรับความแตกต่างของวัตถุสีเทาและสีขาวและการวิเคราะห์ VBM ถูกนำมาเปรียบเทียบ GMD ระหว่างกลุ่ม ผลการศึกษาพบว่าผู้ติดอินเทอร์เน็ตมี GMD ต่ำกว่าใน lACC (จำเป็นสำหรับการควบคุมมอเตอร์, การรับรู้, แรงจูงใจ), lPCC (การอ้างอิงตนเอง), insula ซ้าย (ที่เกี่ยวข้องกับความอยากและแรงจูงใจเฉพาะ) และ gyrus ด้านซ้าย (เช่นพื้นที่ที่ เชื่อมโยงกับการควบคุมพฤติกรรมทางอารมณ์และเชื่อมโยงกับปัญหาทางอารมณ์ของผู้ติดอินเทอร์เน็ต) ผู้เขียนระบุว่าการศึกษาของพวกเขาให้การพิสูจน์ทางระบบประสาทสำหรับการเปลี่ยนแปลงของสมองโครงสร้างในวัยรุ่นที่ติดยาเสพติดอินเทอร์เน็ตและการค้นพบของพวกเขามีผลกระทบต่อการพัฒนาของโรคจิตติดยาเสพติด แม้จะมีความแตกต่างที่พบระหว่างกลุ่ม แต่การค้นพบไม่สามารถนำมาประกอบกับสถานะการติดของกลุ่มใดกลุ่มหนึ่งได้ ตัวแปรที่อาจทำให้สับสนได้อาจส่งผลต่อการเปลี่ยนแปลงของสมอง ยิ่งไปกว่านั้นทิศทางของความสัมพันธ์ไม่สามารถอธิบายได้อย่างแน่นอนในกรณีนี้

 

 

3.3 การศึกษา EEG

ดงและคณะ [53] ตรวจสอบการยับยั้งการตอบสนองในหมู่ผู้ติดอินเทอร์เน็ตทางระบบประสาท บันทึกของศักยภาพสมองที่เกี่ยวข้องกับเหตุการณ์ (ERP) ผ่าน EEG ถูกตรวจสอบใน 12 ชายติดอินเทอร์เน็ต (เฉลี่ยอายุ = 20.5 ปี SD = 4.1) และเปรียบเทียบกับนักศึกษามหาวิทยาลัยควบคุมสุขภาพ 12 (หมายถึงอายุ = 20.2, SD = 4.5) ในขณะที่ อยู่ระหว่างการดำเนินการ go / NoGo ผู้เข้าร่วมทำการทดสอบทางจิตวิทยาเสร็จแล้ว (เช่น Symptom Checklist-90 และ 16 สเกลปัจจัยส่วนบุคคล [89]) และการทดสอบการติดอินเทอร์เน็ต [65] ผลการวิจัยพบว่าผู้ติดอินเทอร์เน็ตมีแอมพลิจูด NoGo-N2 ที่ต่ำกว่า (แสดงถึงการยับยั้งการตอบสนอง - การตรวจสอบความขัดแย้ง), แอมพลิจูด NoGo-P3 ที่สูงขึ้น (กระบวนการยับยั้ง - การประเมินการตอบสนอง) และเวลาแฝงสูงสุด NoGo-P3 ผู้เขียนสรุปว่าเมื่อเปรียบเทียบกับกลุ่มควบคุมแล้วผู้ติดอินเทอร์เน็ต (i) มีการเปิดใช้งานในขั้นต่ำในการตรวจจับความขัดแย้ง (ii) ใช้ทรัพยากรทางปัญญามากขึ้นเพื่อดำเนินงานยับยั้งในระยะหลัง (iii) มีประสิทธิภาพน้อยกว่าในการประมวลผลข้อมูล และ (iv) มีการควบคุมแรงกระตุ้นที่ต่ำกว่า

ดงและคณะ [52] เปรียบเทียบผู้ติดอินเทอร์เน็ตและการควบคุมที่ดีต่อศักยภาพที่เกี่ยวข้องกับเหตุการณ์ (ERP) ผ่าน EEG ในขณะที่พวกเขากำลังทำภารกิจ Stroop คำสี ผู้เข้าร่วมชาย (n = 17; อายุเฉลี่ย = 21.1 ปี, SD = 3.1) และนักศึกษามหาวิทยาลัยสุขภาพชาย 17 (อายุเฉลี่ย = 20.8 ปี, SD = 3.5) เสร็จสิ้นการทดสอบทางจิตวิทยา (เช่นรายการตรวจสอบอาการ 90 และ 16 ปัจจัยส่วนบุคคล มาตราส่วน [89]) และการทดสอบการติดอินเทอร์เน็ต [64] IAT รุ่นนี้รวมถึงแปดรายการ (ความลุ่มหลง, ความอดทน, การเลิกบุหรี่ที่ไม่สำเร็จ, การถอน, การสูญเสียการควบคุม, ความสนใจ, การหลอกลวง, แรงจูงใจในการหลบหนี) และรายการต่าง ๆ มีการแบ่งขั้วออกเป็นสองส่วน ผู้เข้าร่วมที่ได้รับการรับรองสี่รายการหรือมากกว่านั้นถูกจัดประเภทเป็นผู้ติดอินเทอร์เน็ต ผลการวิจัยพบว่าผู้ติดอินเทอร์เน็ตมีเวลาตอบสนองนานขึ้นและเกิดข้อผิดพลาดในการตอบสนองมากขึ้นในสภาพไม่ต่อเนื่องเมื่อเปรียบเทียบกับการควบคุม ผู้เขียนยังได้รายงานการเบี่ยงเบนของค่าการเบี่ยงเบนจากด้านหน้า (Medial frontal negativity, MFN) ที่ลดลงในสภาพที่ไม่สอดคล้องกัน การค้นพบของพวกเขาชี้ให้เห็นว่าผู้ติดอินเทอร์เน็ตได้ทำให้ความสามารถในการควบคุมของผู้บริหารลดลงเมื่อเทียบกับการควบคุม

Ge et al. [55] ตรวจสอบความสัมพันธ์ระหว่างองค์ประกอบ P300 และความผิดปกติของการเสพติดอินเทอร์เน็ตในหมู่ผู้เข้าร่วม 86 ในจำนวนนี้ 38 เป็นผู้ป่วยที่ติดอินเทอร์เน็ต (เพศชาย 21; อายุเฉลี่ย = 32.5, SD = ปี 3.2) และ 48 เป็นผู้ควบคุมนักเรียนที่มีสุขภาพดี (เพศชาย 25, อายุเฉลี่ย = 31.3, SD = 10.5 ปี) ในการศึกษา EEG นั้น P300 ERP ถูกวัดโดยใช้งานคี่บอลมาตรฐานโดยใช้เครื่องมือ American Nicolet BRAVO ผู้เข้าร่วมทั้งหมดเสร็จสิ้นการสัมภาษณ์การวินิจฉัยทางการแพทย์อย่างมีโครงสร้างสำหรับความผิดปกติทางจิต80] และการทดสอบการเสพติดอินเทอร์เน็ต [64] ผู้ที่รับรองห้าคนขึ้นไป (จากแปดรายการ) ถูกจัดประเภทเป็นผู้ติดอินเทอร์เน็ต การศึกษาพบว่าผู้ติดอินเทอร์เน็ตมีเวลาแฝง P300 นานกว่าเมื่อเทียบกับกลุ่มควบคุมและผู้ติดอินเทอร์เน็ตนั้นมีโปรไฟล์ที่คล้ายกันเมื่อเทียบกับผู้ติดยาที่เกี่ยวข้องกับสารอื่น ๆ (เช่นแอลกอฮอล์ opioid โคเคน) ในการศึกษาที่คล้ายกัน อย่างไรก็ตามผลลัพธ์ไม่ได้บ่งชี้ว่าผู้ติดอินเทอร์เน็ตมีการขาดความเร็วในการรับรู้และการประมวลผลสิ่งเร้าทางหู สิ่งนี้ดูเหมือนจะบ่งชี้ว่าแทนที่จะเป็นอันตรายต่อความเร็วในการรับรู้และการประมวลผลการได้ยินการติดอินเทอร์เน็ตอาจไม่มีผลต่อการทำงานของสมองที่เฉพาะเจาะจงเหล่านี้ ผู้เขียนยังรายงานว่าความผิดปกติทางความคิดที่เกี่ยวข้องกับการติดอินเทอร์เน็ตสามารถปรับปรุงผ่านการบำบัดทางปัญญาและพฤติกรรมและผู้ที่เข้าร่วมในการบำบัดความรู้ความเข้าใจพฤติกรรมเป็นเวลาสามเดือนลดเวลาแฝง P300 ของพวกเขา ผลลัพธ์ระยะยาวสุดท้ายมีความลึกซึ้งเป็นพิเศษเพราะประเมินการพัฒนาเมื่อเวลาผ่านไปซึ่งอาจนำมาประกอบกับผลประโยชน์ของการรักษา

Little et al. [56] ตรวจสอบการประมวลผลข้อผิดพลาดและการยับยั้งการตอบสนองในเกมที่มากเกินไป ผู้เข้าร่วมทั้งหมดเสร็จสิ้นการทดสอบการติดเกม (VAT) [73] แบบสอบถามความหุนหันพลันแล่นของ Eysenck ฉบับภาษาดัตช์ [90,91] และดัชนีปริมาณความถี่ความแปรปรวนสำหรับการดื่มแอลกอฮอล์ [92] ตัวอย่างประกอบด้วยนักเรียน 52 ที่จัดกลุ่มเป็นสองกลุ่มของนักเล่นเกมมากเกินไป 25 (เพศชาย 23 คะแนนมากกว่า 2.5 ใน VAT หมายถึงอายุ = 20.5, SD = ปี 3.0, คะแนนเฉลี่ย VAT = 3.1, SD = 0.4 ฮ่าวัน , SD = 4.7) และตัวควบคุม 2.3 (ตัวผู้ 27; หมายถึงอายุ = 10, SD = 21.4; หมายถึงคะแนนภาษีมูลค่าเพิ่ม = 2.6, SD = 1.1, การเล่นเกมเฉลี่ย = 0.2 ฮ่าวัน, SD = 0.5) ผู้เขียนใช้กระบวนทัศน์ Go / NoGo โดยใช้การบันทึก EEG และ ERP การค้นพบของพวกเขาชี้ให้เห็นความคล้ายคลึงกันกับการพึ่งพาสารเคมีและความผิดปกติในการควบคุมแรงกระตุ้นที่สัมพันธ์กับการยับยั้งที่ไม่ดีและแรงกระตุ้นสูงในเกมเมอร์มากเกินไปเมื่อเทียบกับกลุ่มควบคุม พวกเขายังรายงานว่านักเล่นเกมมากเกินไปได้ลดแอมพลิจูดของ ERN fronto-central หลังจากการทดลองที่ไม่ถูกต้องเมื่อเปรียบเทียบกับการทดลองที่ถูกต้องและสิ่งนี้นำไปสู่การประมวลผลข้อผิดพลาดที่ไม่ดี นักเล่นเกมที่มากเกินไปก็แสดงการยับยั้งน้อยกว่าทั้งการรายงานตนเองและการวัดพฤติกรรม จุดแข็งของการศึกษานี้รวมถึงลักษณะกึ่งทดลองของมันเช่นเดียวกับการตรวจสอบรายงานด้วยตนเองกับข้อมูลพฤติกรรม ดังนั้นความถูกต้องและความน่าเชื่อถือของผลการวิจัยจึงเพิ่มขึ้น

 

 

3.4 การศึกษาภาษาสเปน

Hou et al. [51] ตรวจสอบระดับรางวัลผู้ขนส่งโดปามีนวงจรในผู้ติดอินเทอร์เน็ตเมื่อเปรียบเทียบกับกลุ่มควบคุม ผู้ติดอินเทอร์เน็ตประกอบด้วยชายห้าคน (อายุเฉลี่ย = 20.4, SD = 2.3) ซึ่งหมายถึงการใช้อินเทอร์เน็ตรายวันคือ 10.2 h (SD = 1.5) และผู้ที่ติดยาเสพติดทางอินเทอร์เน็ตมานานกว่าหกปี กลุ่มควบคุมที่จับคู่อายุประกอบด้วยชายเก้าคน (อายุเฉลี่ย = 20.4, SD = 1.1 ปี) ซึ่งค่าเฉลี่ยของการใช้ชีวิตประจำวันคือ 3.8 h (SD = 0.8 h) ผู้เขียนดำเนินการสแกนสมอง 99mTc-TRODAT-1 โฟตอนเดียวคำนวณเอกซ์เรย์ (SPECT) สมองโดยใช้ซีเมนส์ Diacam / e.cam / ไอคอนเครื่องตรวจจับคู่ SPECT พวกเขารายงานว่าการขนส่งโดพามีนที่ลดลงบ่งชี้ว่ามีการเสพติดและมีความผิดปกติทางระบบประสาทคล้ายกับการติดพฤติกรรมอื่น ๆ พวกเขายังรายงานว่าระดับ dopamine transporter (DAT) ลดลงในหมู่ผู้ติดอินเทอร์เน็ต (จำเป็นสำหรับการควบคุมระดับ dopamine striatal) และปริมาณน้ำหนักและอัตราส่วนการดูดซึมของ corpus striatum นั้นลดลงเมื่อเทียบกับการควบคุม ระดับโดปามีนมีรายงานว่าคล้ายคลึงกับผู้ที่ติดสารเสพติดและการติดอินเทอร์เน็ต "อาจทำให้สมองเสียหายอย่างรุนแรง" ([51], p. 1) ข้อสรุปนี้ไม่สามารถมองเห็นได้อย่างถูกต้องทั้งหมดสำหรับทิศทางของผลกระทบที่รายงานไม่สามารถกำหนดได้ด้วยวิธีการใช้

 

 

3.5 การศึกษา PET

Koepp และคณะ [50] เป็นทีมวิจัยกลุ่มแรกที่ให้หลักฐานการปล่อยโดปามีนในระหว่างการเล่นวิดีโอเกม (เช่นเกมนำทางรถถังเพื่อเป็นตัวกระตุ้นทางการเงิน) ในการศึกษาของพวกเขาผู้เล่นวิดีโอเกมชายแปดคน (ช่วงอายุ = 36 – 46 ปี) ได้รับการตรวจเอกซเรย์คอมพิวเตอร์โพซิตรอน (PET) ในระหว่างการเล่นวิดีโอเกมและอยู่ในสภาพพัก เครื่องสแกน PET ใช้กล้อง 953B-Siemens / CTIPET และดำเนินการวิเคราะห์ภูมิภาคที่น่าสนใจ (ROI) มีการวัดระดับโดปามีนนอกเซลล์ผ่านความแตกต่างใน [11C] RAC-binding ที่มีศักยภาพต่อ dopamine D2 ตัวรับในช่องท้องและด้านหลัง ผลการวิจัยพบว่าช่องท้องและส่วนหลังมีความสัมพันธ์กับพฤติกรรมมุ่งเป้าหมาย ผู้เขียนยังรายงานว่าการเปลี่ยนแปลงของความผูกพันในระหว่างการเล่นวิดีโอเกมนั้นคล้ายกับการฉีดยาบ้าหรือการฉีดเมธิลฟีนิเดต ในแง่ของนี้การศึกษาที่เร็วที่สุดรวมอยู่ในการตรวจสอบนี้ [50] สามารถเน้นการเปลี่ยนแปลงในกิจกรรมทางประสาทวิทยาซึ่งเป็นผลมาจากการเล่นเกมเมื่อเทียบกับการควบคุมที่พักผ่อน การค้นพบนี้มีความสำคัญอย่างยิ่งเพราะมันบ่งบอกอย่างชัดเจนว่ากิจกรรมการเล่นเกมสามารถเปรียบเทียบได้กับการใช้สารออกฤทธิ์ทางจิตเมื่อดูจากระดับชีวเคมี

คิมและคณะ [49] ทดสอบว่าการติดอินเทอร์เน็ตนั้นสัมพันธ์กับระดับความพร้อมใช้งานของตัวรับ dopaminergic ที่ลดลงใน striatum หรือไม่ ผู้เข้าร่วมทั้งหมดเสร็จสิ้นการสัมภาษณ์ทางคลินิกอย่างเป็นระบบสำหรับ DSM-IV [80], Beck Depression Inventory [93] เครื่องชั่งอัจฉริยะสำหรับผู้ใหญ่ Wechsler เกาหลี [94], การทดสอบการเสพติดอินเทอร์เน็ต [69] และเกณฑ์การวินิจฉัยความผิดปกติของการเสพติดอินเทอร์เน็ต (IADDC; [68]) การติดอินเทอร์เน็ตถูกกำหนดให้เป็นผู้เข้าร่วมที่ทำคะแนนได้มากกว่า 50 (จาก 100) ใน IAT และได้รับการรับรองสามหรือมากกว่าเจ็ดหลักเกณฑ์ใน IADDC

ตัวอย่างของพวกเขาประกอบด้วยผู้ติดอินเทอร์เน็ตเพศชายห้าคน (อายุเฉลี่ย = 22.6, SD = ปี 1.2; IAT หมายถึงคะแนน = 68.2, SD = 3.7; เฉลี่ยชั่วโมงอินเทอร์เน็ตต่อวัน = 7.8, SD = 1.5) และเจ็ดตัวควบคุมผู้ชาย (หมายถึงอายุ = 23.1, SD) = 0.7 ปี; IAT หมายถึงคะแนน = 32.9, SD = 5.3; หมายถึงชั่วโมงอินเทอร์เน็ตรายวัน = 2.1, SD = 0.5) ผู้เขียนได้ทำการศึกษาสัตว์เลี้ยงและใช้ลิแกนด์ radiolabeled [11C] raclopride และเอกซเรย์ปล่อยโพซิตรอนผ่านเครื่องสแกน ECAT EXACT เพื่อทดสอบโดปามีน D2 ศักยภาพในการจับตัวรับ พวกเขายังดำเนินการ fMRI โดยใช้สแกนเนอร์ General Electric Signa รุ่น 1.5T MRI วิธีการประเมิน D2 ความพร้อมใช้งานของตัวรับตรวจสอบภูมิภาคของการวิเคราะห์ความสนใจ (ROI) ในท้อง striatum, caudate หลัง, putamen หลัง ผู้เขียนรายงานว่าการติดอินเทอร์เน็ตพบว่าเกี่ยวข้องกับความผิดปกติของระบบประสาทในระบบโดปามีนตามที่พบในการเสพติดที่เกี่ยวข้องกับสาร มีรายงานด้วยว่าผู้ติดอินเทอร์เน็ตได้ลดโดปามีน D2 ตัวรับความพร้อมใช้งานใน striatum (เช่นทวิภาคีหาง caudate ขวา putamen) เมื่อเทียบกับการควบคุมและมีความสัมพันธ์เชิงลบของโดปามีนรับความพร้อมกับความรุนแรงติดอินเทอร์เน็ต [49] อย่างไรก็ตามจากการศึกษาครั้งนี้ยังไม่มีความชัดเจนว่าการติดอินเทอร์เน็ตอาจทำให้เกิดความแตกต่างในด้านชีวเคมีสัมพันธ์กับตัวแปรรบกวนอื่น ๆ และในทำนองเดียวกันไม่ว่าจะเป็น neurochemistry ต่าง ๆ ที่อาจนำไปสู่การเกิดโรค

 

 

4 การสนทนา

ผลการศึกษาของ fMRI บ่งชี้ว่าบริเวณสมองที่เกี่ยวข้องกับการให้รางวัลการติดยาเสพติดความอยากและอารมณ์จะเปิดใช้งานมากขึ้นในระหว่างการเล่นเกมและการนำเสนอตัวชี้นำเกมโดยเฉพาะอย่างยิ่งสำหรับผู้ใช้อินเทอร์เน็ตและนักเล่นเกม IC, rCN, rOFC, insula, PMC, precuneus42,43] ตัวชี้นำการเล่นเกมดูเหมือนจะเป็นตัวทำนายที่แข็งแกร่งของความอยากในตัวผู้เล่นเกมออนไลน์ [44] ยิ่งไปกว่านั้นมันแสดงให้เห็นว่าอาการที่เกี่ยวข้องเช่นความอยากรู้อยากเห็นการเล่นเกมสมองกิจกรรมคิวและความผิดปกติของความรู้ความเข้าใจสามารถลดลงได้ต่อไปนี้การรักษาจิตเวชหรือทางปัญญา - พฤติกรรมทางปัญญา41,55].

นอกจากนี้ยังมีการแสดงการเปลี่ยนแปลงโครงสร้างในผู้ติดอินเทอร์เน็ตที่เกี่ยวข้องกับการควบคุมรวมถึงสมอง, ก้านสมอง, rCG, blPHipp, กลีบหน้าขวา, lSFG, rITG, lSTG และ mTG โดยเฉพาะพื้นที่เหล่านี้ดูเหมือนจะเพิ่มขึ้นและสอบเทียบบ่งชี้ว่าในผู้ติดอินเทอร์เน็ตการปรับระบบประสาทเกิดขึ้นที่ประสานความหลากหลายของพื้นที่สมอง สิ่งเหล่านี้รวมถึง แต่ไม่ จำกัด เพียงระบบ mesocorticolimbic ที่มีการรายงานอย่างกว้างขวางซึ่งเกี่ยวข้องกับการให้รางวัลและการเสพติด นอกจากนี้สมองของผู้ติดอินเทอร์เน็ตยังสามารถผสานรวมเซ็นเซอร์และข้อมูลการรับรู้ได้ดีขึ้น [45] สิ่งนี้อาจอธิบายได้จากการมีส่วนร่วมกับแอปพลิเคชั่นอินเทอร์เน็ตเช่นเกมบ่อยครั้งซึ่งต้องการการเชื่อมต่อที่แข็งแกร่งระหว่างภูมิภาคของสมองเพื่อให้เกิดพฤติกรรมที่เรียนรู้และปฏิกิริยาตอบสนองต่อสัญญาณที่เกี่ยวข้องกับการเสพติด

นอกจากนี้เมื่อเปรียบเทียบกับการควบคุมพบว่าผู้ติดอินเทอร์เน็ตพบว่าปริมาณสสารสีเทาลดลงใน blDLPFC, SMA, OFC, ซีเบลลัม, ACC, lPCC, เพิ่ม FA lPLIC และลด FA ในสสารขาวใน PHG [46] lACC เป็นสิ่งจำเป็นสำหรับการควบคุมมอเตอร์การรับรู้และแรงจูงใจและการกระตุ้นที่ลดลงนั้นเชื่อมโยงกับการติดโคเคน [95] OFC มีส่วนร่วมในการประมวลผลอารมณ์และมันมีบทบาทในความอยากรู้อยากเห็นกระบวนการตัดสินใจที่ไม่เหมาะสมเช่นเดียวกับการมีส่วนร่วมในพฤติกรรมบีบบังคับซึ่งแต่ละอย่างมีส่วนสำคัญในการติดยาเสพติด96] ยิ่งไปกว่านั้นความยาวของการติดอินเทอร์เน็ตนั้นสัมพันธ์กับการเปลี่ยนแปลงใน DLPFC, rACC, SMA, และ PLIC ซึ่งแสดงให้เห็นถึงการเพิ่มขึ้นของความรุนแรงของสมองลีบเมื่อเวลาผ่านไป [46] DLPFC, rACC, ACC และ PHG เชื่อมโยงกับการควบคุมตนเอง [22,25,44] ในขณะที่ SMA ไกล่เกลี่ยการควบคุมความรู้ความเข้าใจ [97] ลีบในภูมิภาคเหล่านี้สามารถอธิบายการสูญเสียการควบคุมประสบการณ์การติดยาเกี่ยวกับยาหรือกิจกรรมที่เขาเลือก PCC ตรงกันข้ามมีความสำคัญในการไกล่เกลี่ยกระบวนการทางอารมณ์และความทรงจำ [98] และการลดลงของความหนาแน่นของสสารสีเทาอาจบ่งบอกถึงความผิดปกติที่เกี่ยวข้องกับฟังก์ชั่นเหล่านี้

การเพิ่มขึ้นของแคปซูลภายในเชื่อมโยงกับฟังก์ชั่นมือและภาพจากมอเตอร์99,100] และสามารถอธิบายได้ด้วยการมีส่วนร่วมในเกมคอมพิวเตอร์บ่อยครั้งซึ่งต้องมีการปรับปรุงและประสานงานระหว่างตากับมืออย่างมีนัยสำคัญ [101] ยิ่งไปกว่านั้นความหนาแน่นของเส้นใยลดลงและ myelination สีขาวที่วัดด้วย FA พบในแขนขาด้านหน้าของแคปซูลภายใน, แคปซูลภายนอก, การฉายรังสีโคโรนา, fasciculus fronto-ท้ายทอยด้านล่างและ gyrus precentral ในผู้ติดอินเทอร์เน็ตที่เกี่ยวข้องกับการควบคุมสุขภาพ48] มีรายงานความผิดปกติของสารสีขาวที่คล้ายกันในการเสพติดอื่นที่เกี่ยวข้องกับสาร [102,103] ในทำนองเดียวกันการเชื่อมต่อไฟเบอร์ในคอลลัสคอลลัสพบว่าลดลงในผู้ติดอินเทอร์เน็ตที่เกี่ยวข้องกับการควบคุมที่มีสุขภาพดีซึ่งบ่งชี้ว่าการติดอินเทอร์เน็ตอาจมีผลกระทบที่เลวร้ายคล้ายกันกับการเชื่อมโยงระหว่างซีกโลก การค้นพบเหล่านี้เป็นไปตามที่รายงานในการเสพติดที่เกี่ยวข้องกับสาร [104].

ยิ่งไปกว่านั้นมีความแตกต่างทางเพศในการเปิดใช้งานในลักษณะที่สำหรับเพศชายการเปิดใช้งานและการเชื่อมต่อของพื้นที่สมองที่เกี่ยวข้องกับระบบการให้รางวัล mesocorticolimbic มีความแข็งแกร่งเมื่อเทียบกับเพศหญิง สิ่งนี้อาจอธิบายถึงช่องโหว่ที่สูงขึ้นอย่างมีนัยสำคัญสำหรับผู้ชายในการพัฒนาการติดเกมและอินเทอร์เน็ตที่ได้รับรายงานในการทบทวนวรรณกรรมเชิงประจักษ์ (เช่น [7,105])

นอกจากการค้นพบ MRI แล้วการศึกษา EEG ที่ประเมินการเสพติดอินเทอร์เน็ตและการเล่นเกมจนถึงปัจจุบันมีความหลากหลายของการค้นพบที่สำคัญซึ่งอาจช่วยในการทำความเข้าใจพฤติกรรมและหน้าที่การทำงานของโรคจิตที่เกิดขึ้นนี้ นอกจากนี้ลักษณะการทดลองของการศึกษา EEG รวมทั้งหมดช่วยให้การกำหนดความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรที่ประเมิน มันแสดงให้เห็นว่าเมื่อเทียบกับการควบคุมผู้ติดอินเทอร์เน็ตได้ลดแอมพลิจูดของ P300 และเพิ่มเวลาแฝง P300 ที่เพิ่มขึ้น โดยทั่วไปแอมพลิจูดนี้จะสะท้อนถึงการจัดสรรความสนใจ ความแตกต่างของแอมพลิจูดระหว่างผู้ติดอินเทอร์เน็ตและตัวควบคุมแสดงว่าผู้ติดอินเทอร์เน็ตนั้นมีความสามารถในการรับความสนใจที่บกพร่องหรือไม่สามารถจัดสรรความสนใจได้อย่างเพียงพอ [55,57] แอมพลิจูด P300 ขนาดเล็กสัมพันธ์กับความอ่อนแอทางพันธุกรรมของโรคพิษสุราเรื้อรังในการวิเคราะห์เมตา106] เวลาแฝงของ P300 ลดลงนอกจากนี้ยังพบว่านักดื่มสังคมแตกต่างจากนักดื่มโซเชียลต่ำ [107] ดังนั้นดูเหมือนว่าจะมีการเปลี่ยนแปลงร่วมกันในความผันผวนของแรงดันไฟฟ้าของเซลล์ประสาทในคนที่ติดสารและการมีส่วนร่วมในการใช้อินเทอร์เน็ตเมื่อเทียบกับคนที่ไม่ได้ติดยาเสพติด ดังนั้นการติดอินเทอร์เน็ตจึงมีผลต่อการทำงานของระบบประสาทซึ่งคล้ายกับการติดสารเสพติด โดยทั่วไปแล้วสมองของผู้ติดอินเทอร์เน็ตจะมีประสิทธิภาพน้อยลงเนื่องจากการประมวลผลข้อมูลและการยับยั้งการตอบสนองเมื่อเทียบกับสมองของผู้เข้าร่วมการควบคุมสุขภาพ [54,56] สิ่งนี้บ่งชี้ว่าการติดอินเทอร์เน็ตนั้นสัมพันธ์กับการควบคุมแรงกระตุ้นต่ำและการใช้ทรัพยากรการรู้คิดจำนวนมากขึ้นเพื่อให้งานเฉพาะเสร็จสมบูรณ์ [53] นอกจากนี้ผู้ติดอินเทอร์เน็ตยังมีความสามารถในการควบคุมผู้บริหารที่มีความบกพร่องเมื่อเทียบกับการควบคุม [56,53] ผลลัพธ์เหล่านี้สอดคล้องกับความสามารถในการควบคุมผู้บริหารที่ลดลงที่พบในผู้ติดยาเสพติดโคเคนซึ่งเกี่ยวข้องกับกิจกรรมที่ลดลงในบริเวณสมองก่อนและกลางสมองซึ่งจะช่วยให้เกิดการกระทำที่ขับเคลื่อนด้วยแรงกระตุ้น [108].

จากมุมมองทางชีวเคมีผลการศึกษาของ PET แสดงหลักฐานว่ามีการปลดปล่อยโดปามีนในระหว่างเล่นเกม [50] การเล่นเกมและการใช้อินเทอร์เน็ตบ่อยครั้งแสดงให้เห็นถึงการลดระดับโดพามีน (เนื่องจากความพร้อมในการขนย้ายโดพามีนลดลง) และนำไปสู่ความผิดปกติทางระบบประสาทในระบบโดปามีนในผู้ติดอินเทอร์เน็ต49,51] ความพร้อมใช้งานที่ลดลงเชื่อมโยงกับความรุนแรงของการติดอินเทอร์เน็ต49] ระดับโดปามีนลดลงได้รับการรายงานในเวลาติดยาเสพติดและอีกครั้ง [26,109,110] นอกจากนี้ยังมีรายงานความผิดปกติทางโครงสร้างของ corpus striatum [51] ความเสียหายต่อคลังข้อมูล striatum เกี่ยวข้องกับการติดเฮโรอีน111].

การศึกษาที่รวมอยู่ในการทบทวนวรรณกรรมนี้ดูเหมือนจะให้หลักฐานที่น่าสนใจสำหรับความคล้ายคลึงกันระหว่างการเสพติดประเภทต่าง ๆ การติดยาเสพติดที่เกี่ยวข้องกับสารเสพติดและการติดอินเทอร์เน็ตในหลายระดับ ในระดับโมเลกุลจะแสดงให้เห็นว่าการติดอินเทอร์เน็ตเป็นลักษณะการขาดรางวัลโดยรวมที่โดดเด่นด้วยกิจกรรม dopaminergic ลดลง ทิศทางของความสัมพันธ์นี้ยังไม่ได้รับการสำรวจ การศึกษาส่วนใหญ่ไม่สามารถยกเว้นได้ว่าการติดยาเสพติดเกิดขึ้นเนื่องจากระบบการให้ผลตอบแทนที่ไม่เพียงพอแทนที่จะเป็นทางกลับกัน ความเป็นไปได้ที่การขาดดุลในระบบการให้รางวัลจะกำหนดบุคคลบางคนให้พัฒนายาหรือการติดพฤติกรรมเช่นการติดอินเทอร์เน็ตอาจทำให้บุคคลมีความเสี่ยงสูงต่อการเกิดโรคจิต ในผู้เสพติดอินเทอร์เน็ตความรู้สึกเชิงลบอาจได้รับการพิจารณาในระดับพื้นฐานซึ่งผู้เสพติดกำลังหมกมุ่นอยู่กับการใช้อินเทอร์เน็ตและการเล่นเกมเพื่อปรับเปลี่ยนอารมณ์ของเขา สิ่งนี้เกิดขึ้นได้จากการเปิดใช้งานระบบ antireward เนื่องจากมีการใช้งานอินเทอร์เน็ตและเกมออนไลน์มากเกินไปกระบวนการของฝ่ายตรงข้ามดูเหมือนจะเคลื่อนไหวอย่างรวดเร็วซึ่งจะทำให้การติดยาเสพติดกับการสู้รบกับอินเทอร์เน็ตเป็นไปอย่างรวดเร็วซึ่งนำไปสู่การยอมรับและหากการเลิกใช้เลิกใช้แล้ว27] ดังนั้นการลดลงของโดปามีนในเซลล์ประสาทที่ปรากฎในการเสพติดอินเทอร์เน็ตอาจเชื่อมโยงกับ comorbidities ที่รายงานโดยทั่วไปที่มีความผิดปกติทางอารมณ์เช่นภาวะซึมเศร้า [112], โรคสองขั้ว [113] และความผิดปกติทางบุคลิกภาพแนวเขต [10].

ในระดับของวงจรประสาท, neuroadaptation เกิดขึ้นเป็นผลมาจากกิจกรรมของสมองที่เพิ่มขึ้นในพื้นที่สมองที่เกี่ยวข้องกับการติดและการเปลี่ยนแปลงโครงสร้างอันเป็นผลมาจากการติดอินเทอร์เน็ตและการเล่นเกม การศึกษาอ้างถึงให้ภาพที่ชัดเจนของการเกิดโรคติดอินเทอร์เน็ตและการเล่นเกมและความเครียดวิธีปรับรูปแบบพฤติกรรม maladaptive บ่งบอกถึงการติดยาเสพติดจะถูกเก็บไว้ สมองปรับตัวให้เข้ากับการใช้ยาเสพติดเป็นประจำหรือการมีส่วนร่วมในพฤติกรรมเสพติดเพื่อที่จะกลายเป็นสิ่งเสริมพลังธรรมชาติ สำคัญการทำงานและโครงสร้างของ OFC และ cingulate gyrus มีการเปลี่ยนแปลงนำไปสู่การเพิ่มขึ้นของยาเสพติดหรือพฤติกรรม salience และการสูญเสียการควบคุมพฤติกรรม กลไกการเรียนรู้และแรงจูงใจที่เพิ่มขึ้นสำหรับการบริโภค / ผลการมีส่วนร่วมในพฤติกรรมบีบบังคับ [114].

ในระดับพฤติกรรมผู้ติดอินเทอร์เน็ตและการเล่นเกมดูเหมือนจะถูกบีบอัดโดยคำนึงถึงการควบคุมแรงกระตุ้นการยับยั้งพฤติกรรมการควบคุมการทำงานของผู้บริหารความสามารถในการตั้งใจและการรับรู้โดยรวม ในทางกลับกันทักษะบางอย่างได้รับการพัฒนาและปรับปรุงเป็นผลมาจากการมีส่วนร่วมกับเทคโนโลยีบ่อยครั้งเช่นการรวมข้อมูลการรับรู้เข้าสู่สมองผ่านทางประสาทสัมผัสและการประสานมือและตา ปรากฏว่าการมีส่วนร่วมมากเกินไปกับเทคโนโลยีส่งผลให้เกิดข้อได้เปรียบสำหรับผู้เล่นและผู้ใช้อินเทอร์เน็ตอย่างไรก็ตามความเสียหายของการทำงานทางปัญญาขั้นพื้นฐาน

เมื่อนำมารวมกันการวิจัยที่นำเสนอในการทบทวนครั้งนี้ยืนยันรูปแบบซินโดรมของการติดยาเสพติดเพราะดูเหมือนจะเป็นเรื่องธรรมดา neurobiological ในการติดยาเสพติดที่แตกต่างกัน115] ตามโมเดลนี้บริบทของระบบประสาทและจิตสังคมจะเพิ่มความเสี่ยงในการติดยา การสัมผัสกับยาเสพติดหรือพฤติกรรมและเหตุการณ์เชิงลบที่เฉพาะเจาะจงและ / หรือการใช้สารอย่างต่อเนื่องและการมีส่วนร่วมในพฤติกรรมนำไปสู่การปรับเปลี่ยนพฤติกรรม ผลที่ตามมาคือการพัฒนาของการเสพติดเต็มเป่าที่แตกต่างกันในการแสดงออก (เช่นโคเคนอินเทอร์เน็ตและการเล่นเกม) แต่คล้ายกันในอาการ [115] คือการปรับเปลี่ยนอารมณ์ความรู้สึกความอดทนการถอนความขัดแย้งและการกำเริบของโรค6].

แม้จะมีการรายงานผลลัพธ์อย่างลึกซึ้ง แต่ก็มีข้อ จำกัด จำนวนมากที่ต้องได้รับการแก้ไข ก่อนมีปัญหาวิธีการที่อาจลดความแข็งแรงของผลการวิจัยเชิงประจักษ์รายงาน การเปลี่ยนแปลงของสมองที่รายงานที่เกี่ยวข้องกับอินเทอร์เน็ตและการติดเกมออนไลน์ที่อธิบายไว้ในรีวิวนี้อาจอธิบายได้สองวิธี ในอีกด้านหนึ่งเราอาจโต้แย้งว่าการติดอินเทอร์เน็ตทำให้เกิดการเปลี่ยนแปลงของสมองเมื่อเทียบกับการควบคุม ในทางตรงกันข้ามคนที่มีโครงสร้างสมองที่ผิดปกติ (ตามที่สังเกตในการศึกษาปัจจุบัน) อาจมีใจโอนเอียงโดยเฉพาะอย่างยิ่งกับการพัฒนาพฤติกรรมเสพติด การศึกษาเชิงทดลองเท่านั้นที่จะอนุญาตการกำหนดสาเหตุและผลกระทบความสัมพันธ์ เมื่อพิจารณาถึงลักษณะที่ละเอียดอ่อนของการวิจัยนี้ซึ่งประเมินความเป็นไปได้ทางจิตเวชที่สำคัญการพิจารณาทางจริยธรรมจะจำกัดความเป็นไปได้ของการวิจัยเชิงทดลอง เพื่อที่จะเอาชนะปัญหานี้นักวิจัยในอนาคตควรประเมินการทำงานของสมองและการเปลี่ยนแปลงของสมองในหลายโอกาสระหว่างชีวิตของคนคนหนึ่งในระยะยาว สิ่งนี้จะช่วยให้การหลุดพ้นของข้อมูลอันมีค่าเกี่ยวกับความสัมพันธ์ของการเกิดโรคและการเปลี่ยนแปลงของสมองที่เกี่ยวข้องอย่างละเอียดยิ่งขึ้นและที่สำคัญคือแฟชั่นเชิงสาเหตุ

ประการที่สองความคิดเห็นนี้รวมถึงการศึกษา neuroimaging ของผู้ติดอินเทอร์เน็ตและผู้ติดเกมออนไลน์ จากหลักฐานที่รวบรวมได้ดูเหมือนว่าเป็นการยากที่จะทำการหักเงินในส่วนที่เกี่ยวกับกิจกรรมเฉพาะที่ผู้ติดยาเสพติดมีส่วนร่วมในออนไลน์นอกเหนือจากผู้เขียนบางคนที่กล่าวถึงการติดเกมออนไลน์โดยเฉพาะ ในทางกลับกันคนอื่น ๆ ใช้หมวดหมู่การติดอินเทอร์เน็ตและการติดเกมบนอินเทอร์เน็ตเกือบจะสลับกันได้ซึ่งไม่อนุญาตให้มีข้อสรุปใด ๆ เกี่ยวกับความแตกต่างและความคล้ายคลึงกันระหว่างคนทั้งสอง ด้วยเหตุนี้ผู้วิจัยจึงควรประเมินพฤติกรรมที่เกิดขึ้นจริงในออนไลน์อย่างชัดเจนและหากเหมาะสมให้ขยายแนวคิดการเล่นเกมไปสู่พฤติกรรมออนไลน์อื่น ๆ ที่อาจเป็นปัญหา ในท้ายที่สุดผู้คนไม่ติดสื่ออินเทอร์เน็ต แต่มันเป็นกิจกรรมที่พวกเขามีส่วนร่วมซึ่งอาจเป็นปัญหาและอาจนำไปสู่พฤติกรรมออนไลน์ที่น่าติดตาม

 

 

 

   

5 สรุปผลการวิจัย

การทบทวนนี้มีวัตถุประสงค์เพื่อระบุการศึกษาเชิงประจักษ์ทั้งหมดจนถึงปัจจุบันซึ่งใช้เทคนิค neuroimaging เพื่อที่จะมองเห็นความสัมพันธ์ของเส้นประสาทของอินเทอร์เน็ตและการติดเกม มีการศึกษาค่อนข้างน้อย (n = 19) และดังนั้นจึงเป็นสิ่งสำคัญที่จะทำการศึกษาเพิ่มเติมเพื่อทำซ้ำการค้นพบของผู้ที่ได้ดำเนินการไปแล้ว การศึกษาจนถึงปัจจุบันได้ใช้กระบวนทัศน์ทั้งโครงสร้างและการใช้งาน การใช้กระบวนทัศน์แต่ละอย่างเหล่านี้ช่วยให้สามารถหลุดพ้นจากข้อมูลที่มีความสำคัญต่อการสร้างกิจกรรมของเซลล์ประสาทและสัณฐานวิทยาที่เปลี่ยนแปลงไปซึ่งถูกทำให้ตกตะกอนโดยอินเทอร์เน็ตและการติดเกม โดยรวมแล้วการศึกษาพบว่าการติดอินเทอร์เน็ตและการเล่นเกมมีความสัมพันธ์กับการเปลี่ยนแปลงทั้งในด้านการทำงานและโครงสร้างของสมอง ดังนั้นการเสพติดพฤติกรรมนี้ไม่เพียง แต่เพิ่มกิจกรรมในพื้นที่สมองทั่วไปที่เกี่ยวข้องกับการเสพติดที่เกี่ยวข้องกับสาร แต่ดูเหมือนว่าจะนำไปสู่ ​​neuroadaptation ในลักษณะที่สมองตัวเองเปลี่ยนจริงเป็นผลมาจากการมีส่วนร่วมมากเกินไปกับอินเทอร์เน็ตและเกม .

ในแง่ของวิธีการศึกษา neuroimaging เสนอความได้เปรียบกว่าการสำรวจแบบดั้งเดิมและการวิจัยพฤติกรรมเพราะใช้เทคนิคเหล่านี้มันเป็นไปได้ที่จะแยกแยะพื้นที่สมองโดยเฉพาะที่มีส่วนร่วมในการพัฒนาและบำรุงรักษาติดยาเสพติด การวัดค่ากลูตามาเทอรีซิกและกิจกรรมทางไฟฟ้าที่เพิ่มขึ้นจะช่วยให้เข้าใจการทำงานของสมองในขณะที่การวัด morphometry ของสมองและการแพร่ของน้ำเป็นตัวบ่งชี้โครงสร้างของสมอง มันแสดงให้เห็นว่าสิ่งเหล่านี้ผ่านการเปลี่ยนแปลงที่สำคัญอันเป็นผลมาจากการติดอินเทอร์เน็ตและการเล่นเกม

โดยสรุปแล้วการทำความเข้าใจความสัมพันธ์ระหว่างเส้นประสาทที่เกี่ยวข้องกับการพัฒนาพฤติกรรมการเสพติดที่เกี่ยวข้องกับการใช้อินเทอร์เน็ตและการเล่นเกมออนไลน์จะส่งเสริมการวิจัยในอนาคตและจะปูทางสำหรับการพัฒนาวิธีการรักษาผู้ติดยาเสพติด ในแง่ของการปฏิบัติทางคลินิกการเพิ่มความรู้ของเราเกี่ยวกับการเกิดโรคและการบำรุงรักษาอินเทอร์เน็ตและการติดเกมเป็นสิ่งจำเป็นสำหรับการพัฒนาวิธีการรักษาที่เฉพาะเจาะจงและมีประสิทธิภาพ เหล่านี้รวมถึงวิธีการทางจิตวิทยาที่กำหนดเป้าหมายการเสพติดอินเทอร์เน็ตและการเล่นเกมโดยเฉพาะในระดับของชีวเคมีและ neurocircuitry เช่นเดียวกับกลยุทธ์ทางจิตวิทยาที่มีจุดมุ่งหมายเพื่อปรับเปลี่ยนการเรียนรู้องค์ความรู้และรูปแบบพฤติกรรม maladaptive

 

 

 

   

ขัดผลประโยชน์

ผู้เขียนรายงานว่าไม่มีความขัดแย้งทางผลประโยชน์

 

 

 

   

อ้างอิง

  1. Young, K. การติดอินเทอร์เน็ตในทศวรรษที่ผ่านมา: มองย้อนกลับไปแบบส่วนตัว จิตเวชศาสตร์โลก 2010, 9, 91 [Google Scholar]
  2. เทาร, อาร์. Huang, XQ; วัง, JN; จาง HM; จาง, วาย.; Li, MC นำเสนอเกณฑ์การวินิจฉัยสำหรับการติดอินเทอร์เน็ต ติดยาเสพติด 2010, 105, 556 – 564 [Google Scholar]
  3. ชอว์เมตร; สีดำ, การติดอินเทอร์เน็ต DW: นิยาม, การประเมิน, ระบาดวิทยาและการจัดการทางคลินิก ระบบประสาทส่วนกลางของยาเสพติด 2008, 22, 353 – 365 [Google Scholar] [CrossRef]
  4. Müller, KW; Wölfling, K. เกมคอมพิวเตอร์และการติดอินเทอร์เน็ต: แง่มุมของการวินิจฉัยปรากฏการณ์วิทยาพยาธิกำเนิดและการแทรกแซงการรักษา Suchttherapie 2011, 12, 57 – 63 [Google Scholar] [CrossRef]
  5. Beutel, ME; Hoch, C.; Woelfing, K.; Mueller, KW ลักษณะทางคลินิกของเกมคอมพิวเตอร์และการติดอินเทอร์เน็ตในผู้ที่มองหาการรักษาในคลินิกผู้ป่วยนอกสำหรับการติดเกมคอมพิวเตอร์ Z. Psychosom Med Psychother 2011, 57, 77 – 90 [Google Scholar]
  6. Griffiths, MD รูปแบบ "องค์ประกอบ" ของการเสพติดภายในกรอบ biopsychosocial J. Subst ใช้ 2005, 10, 191 – 197 [Google Scholar] [CrossRef]
  7. Kuss, DJ; Griffiths, MD การติดการเล่นเกมทางอินเทอร์เน็ต: การทบทวนอย่างเป็นระบบของการวิจัยเชิงประจักษ์ int J. Ment สุขภาพติดยาเสพติด 2012, 10, 278 – 296 [Google Scholar] [CrossRef]
  8. สมาคมจิตแพทย์อเมริกันพัฒนา DSM-5 ความผิดปกติในการใช้อินเทอร์เน็ต พร้อมใช้งานออนไลน์: http://www.dsm5.org/ProposedRevision/Pages/proposedrevision.aspx?rid=573# (เข้าถึงได้ใน 31 กรกฎาคม 2012)
  9. Adalier, A. ความสัมพันธ์ระหว่างการติดอินเทอร์เน็ตและอาการทางจิตวิทยา int J. Glob Educ 2012, 1, 42 – 49 [Google Scholar]
  10. เบอร์นาร์ดี, S. ; Pallanti, S. การติดอินเทอร์เน็ต: การศึกษาทางคลินิกเชิงพรรณนามุ่งเน้นไปที่อาการป่วยและอาการคัด compr จิตเวช 2009, 50, 510 – 516 [Google Scholar] [CrossRef]
  11. ซิ่วซิน, H.; Huimin, Z .; Mengchen, L .; จี่หนาน, W. ; Ying, Z.; Ran, T. สุขภาพจิต, บุคลิกภาพและรูปแบบการเลี้ยงดูของผู้ปกครองของวัยรุ่นที่มีความผิดปกติของการเสพติดอินเทอร์เน็ต Cyberpsychol Behav Soc netw 2010, 13, 401 – 406 [Google Scholar] [CrossRef]
  12. Johansson, A .; Gotestam, KG การติดอินเทอร์เน็ต: ลักษณะของแบบสอบถามและความชุกในเยาวชนนอร์เวย์ (12-18 ปี) Scand J. Psychol 2004, 45, 223 – 229 [Google Scholar] [CrossRef]
  13. Lin, M. -P .; Ko, H. -C .; Wu, JY-W ความชุกและปัจจัยเสี่ยงทางจิตสังคมที่เกี่ยวข้องกับการติดอินเทอร์เน็ตในตัวอย่างตัวแทนระดับประเทศของนักศึกษาในไต้หวัน Cyberpsychol Behav Soc netw 2011, 14, 741 – 746 [Google Scholar]
  14. Fu, KW; ชาน WSC; หว่อง PWC; Yip, การเสพติดอินเทอร์เน็ตของ PSF: ความชุก, การเลือกปฏิบัติที่ถูกต้องและความสัมพันธ์ในหมู่วัยรุ่นในฮ่องกง br เจจิตเวช 2010, 196, 486 – 492 [Google Scholar] [CrossRef]
  15. Descartes, R. ตำราของมนุษย์; โพรหนังสือ: นิวยอร์กนิวยอร์กสหรัฐอเมริกา 2003 [Google Scholar]
  16. Repovš, G. ประสาทวิทยาศาสตร์เกี่ยวกับความรู้ความเข้าใจและ "ปัญหาร่างกายจิตใจ" Horiz จิตวิทยา 2004, 13, 9 – 16 [Google Scholar]
  17. Volkow, ND; ฟาวเลอร์, JS; Wang, GJ สมองมนุษย์ที่ติดแล้ว: ข้อมูลเชิงลึกจากการศึกษาด้านภาพ เจ. คลีนิก ลงทุน. 2003, 111, 1444 – 1451 [Google Scholar]
  18. Pavlov, IP Reflexes แบบมีเงื่อนไข: การสืบสวนกิจกรรมทางสรีรวิทยาของคอร์เทกซ์สมอง; Dover: Mineola, NY, USA, 2003 [Google Scholar]
  19. สกินเนอร์วิทยาศาสตร์ BF และพฤติกรรมมนุษย์; Macmillan: New York, NY, USA, 1953 [Google Scholar]
  20. Everitt, BJ; Robbins, TW ระบบประสาทของการเสริมแรงสำหรับการติดยาเสพติด: จากการกระทำเพื่อนิสัยที่จะบังคับ ชัยนาท Neurosci 2005, 8, 1481 – 1489 [Google Scholar] [CrossRef]
  21. Kalivas, PW; Volkow, ND พื้นฐานทางประสาทของการเสพติด: พยาธิวิทยาของแรงจูงใจและทางเลือก am เจจิตเวช 2005, 162, 1403 – 1413 [Google Scholar] [CrossRef]
  22. Goldstein, RZ; Volkow, ND การติดยาเสพติดและพื้นฐานทางระบบประสาท: หลักฐาน Neuroimaging สำหรับการมีส่วนร่วมของเยื่อหุ้มสมองด้านหน้า am เจจิตเวช 2002, 159, 1642 – 1652 [Google Scholar] [CrossRef]
  23. ขี้ขลาด, อาร์การกำหนดเป้าหมายประสาทมีความสัมพันธ์กับการติดยาเสพติด ชัยนาท รายได้ Neurosci 2006, 7 [Google Scholar]
  24. Brebner, K.; หว่อง, TP; Liu, L .; Liu, Y.; Campsall, P .; สีเทา, S .; เฟลป์ส, ล.; ฟิลลิปส์เอจี; วัง YT นิวเคลียส accumbens อาการซึมเศร้าในระยะยาวและการแสดงออกของความไวต่อพฤติกรรม วิทยาศาสตร์ 2005, 310, 1340 – 1343 [Google Scholar]
  25. วิลสัน, SJ; Sayette, MA; Fiez, JA Prefrontal การตอบสนองต่อตัวชี้นำยา: การวิเคราะห์ทางระบบประสาท ชัยนาท Neurosci 2004, 7, 211 – 214 [Google Scholar]
  26. Di Chiara, G. นิวเคลียส accumbens เปลือกและโดปามีนหลัก: บทบาทที่แตกต่างในพฤติกรรมและการติดยาเสพติด Behav ความต้านทานของสมอง 2002, 137, 75 – 114 [Google Scholar] [CrossRef]
  27. Koob, GF; Le Moal, M. ติดยาเสพติดและระบบสมอง antireward แอน รายได้ Psychol 2008, 59, 29 – 53 [Google Scholar]
  28. Prochaska, JO; DiClemente, CC; Norcross, JC ในการค้นหาว่าผู้คนเปลี่ยนแปลงอย่างไร แอพพลิเคชั่นเพื่อพฤติกรรมการเสพติด am จิตวิทยา 1992, 47, 1102 – 1114 [Google Scholar]
  29. Potenza, MN ความผิดปกติของการเสพติดควรมีเงื่อนไขที่ไม่เกี่ยวข้องกับสารหรือไม่? ติดยาเสพติด 2006, 101, 142 – 151 [Google Scholar] [CrossRef]
  30. ให้สิทธิ์ JE; บรูเออร์ JA; Potenza, MN ชีววิทยาของสารเสพติดและพฤติกรรม CNS Spectr 2006, 11, 924 – 930 [Google Scholar]
  31. นีเดอร์เมเยอร์, ​​อี.; da Silva, FL Electroencephalography: หลักการพื้นฐานการประยุกต์ใช้ทางคลินิกและสาขาที่เกี่ยวข้อง Lippincot Williams & Wilkins: Philadelphia, PA, USA, 2004 [Google Scholar]
  32. โชคดี SJ; Kappenman, ES คู่มือ Oxford ขององค์ประกอบที่มีศักยภาพที่เกี่ยวข้องกับเหตุการณ์ สำนักพิมพ์มหาวิทยาลัยออกซ์ฟอร์ด: นิวยอร์กนิวยอร์กสหรัฐอเมริกา 2011 [Google Scholar]
  33. เบลีย์, DL; ทาวน์เซนด์, DW; วาล, PE; Maisey, MN Positron Emission Tomography: วิทยาศาสตร์พื้นฐาน; Springer: Secaucus, NJ, USA, 2005 [Google Scholar]
  34. Meikle, SR; Beekman, FJ; Rose, SE เทคโนโลยีการถ่ายภาพโมเลกุลเสริม: ความละเอียดสูง SPECT, PET และ MRI ยาดิสโก เทควันนี้ 2006, 3, 187 – 194 [Google Scholar] [CrossRef]
  35. Huettel, SA; เพลง, AW; McCarthy, G. การถ่ายภาพด้วยคลื่นสนามแม่เหล็กที่ใช้งานได้, 2 และ ed .; Sinauer: Sunderland, MA, USA, 2008 [Google Scholar]
  36. Symms, M. ; Jäger, HR; Schmierer, K.; Yousry, TA ความคิดเห็นของ neuroimaging เรโซแนนซ์แม่เหล็กโครงสร้าง J. Neurol Neurosurg จิตเวช 2004, 75, 1235 – 1244 [Google Scholar] [CrossRef]
  37. Ashburner, J.; ลักษณะทางสัณฐานวิทยาของ Friston, KJ Voxel-The NeuroImage 2000, 11, 805 – 821 [Google Scholar] [CrossRef]
  38. Le Bihan, D. ; Mangin, JF; Poupn, C.; คลาร์ก, แคลิฟอร์เนีย; Pappata, S .; Molko, N.; Chabriat, H. Imusion Tensor Imaging: แนวคิดและการใช้งาน เจ. แม็กซ์ reson การถ่ายภาพ 2001, 13, 534 – 546 [Google Scholar]
  39. ดง, กรัม; Huang, J .; Du, X. เพิ่มความไวของรางวัลและลดความไวต่อการสูญเสียในผู้ติดอินเทอร์เน็ต: การศึกษา fMRI ในระหว่างการเดางาน J. จิตแพทย์ Res 2011, 45, 1525 – 1529 [Google Scholar]
  40. ฮั่น DH; Lyoo, IK; Renshaw, PF สสารสีเทาระดับภูมิภาคที่แตกต่างกันในผู้ป่วยที่ติดเกมออนไลน์และนักเล่นเกมมืออาชีพ J. จิตแพทย์ Res 2012, 46, 507 – 515 [Google Scholar] [CrossRef]
  41. ฮั่น DH; ฮวางเจดับบลิว; Renshaw, PF Bupropion รักษาอย่างต่อเนื่องปล่อยความอยากสำหรับวิดีโอเกมและกิจกรรมสมองที่เกิดขึ้นคิวในผู้ป่วยที่ติดยาเสพติดวิดีโอเกมอินเทอร์เน็ต ประสบการณ์ Clin Psychopharmacol 2010, 18, 297 – 304 [Google Scholar]
  42. ฮั่น DH; คิม, YS; ลี, YS; ต่ำสุด KJ; Renshaw, PF การเปลี่ยนแปลงในกิจกรรมนอกเยื่อหุ้มสมองแบบคิวเหนี่ยวนำด้วยการเล่นวิดีโอเกม Cyberpsychol Behav Soc netw 2010, 13, 655 – 661 [Google Scholar] [CrossRef]
  43. Hoeft, F .; วัตสัน, CL; Kesler, SR; นักพนัน KE; Reiss, AL ออฟความแตกต่างในระบบ mesocorticolimbic ระหว่างการเล่นเกมคอมพิวเตอร์ J. จิตแพทย์ Res 2008, 42, 253 – 258 [Google Scholar]
  44. Ko, CH; หลิว GC; Hsiao, SM; เยน, JY; หยาง, MJ; หลิน, สุขา; เยน, CF; กิจกรรมของ Chen, CS Brain ที่เกี่ยวข้องกับการกระตุ้นการติดเกมออนไลน์ J. จิตแพทย์ Res 2009, 43, 739 – 747 [Google Scholar] [CrossRef]
  45. Liu, J .; Gao, XP; Osunde, I.; หลี่ X Zhou, SK; Zheng, HR; Li, LJ เพิ่มความสม่ำเสมอของภูมิภาคในโรคติดอินเทอร์เน็ต: การศึกษาเกี่ยวกับการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก คาง. Med เจ 2010, 123, 1904 – 1908 [Google Scholar]
  46. หยวน K; ฉิน, W. .; Wang, G .; เซง, F .; Zhao, L .; Yang, X .; Liu, P .; Liu, J .; Sun, J .; von Deneen, KM; et al. ความผิดปกติของโครงสร้างจุลภาคในวัยรุ่นที่มีความผิดปกติของการติดอินเทอร์เน็ต PloS One 2011, 6, e20708 [Google Scholar]
  47. Zhou, Y .; Lin, F. -C.; Du, Y. -S .; ฉิน, L. -D .; Zhao, Z. -M .; Xu, J. -R .; Lei, H. Grey เรื่องความผิดปกติในการติดอินเทอร์เน็ต: การศึกษารูปร่างสัณฐานของ Voxel Eur J. Radiol 2011, 79, 92 – 95 [Google Scholar]
  48. Lin, F .; Zhou, Y .; ดู่ Y; ฉิน, ล.; Zhao, Z .; Xu, J .; Lei, H. ความสมบูรณ์ของสสารสีขาวผิดปกติในวัยรุ่นที่มีความผิดปกติของการเสพติดอินเทอร์เน็ต: การศึกษาเชิงพื้นที่เชิงสถิติ PloS One 2012, 7, e30253 [Google Scholar]
  49. คิม SH; Baik, SH; พาร์ค CS; คิม SJ; ชอย, SW; คิม SE ลดตัวรับ dopamine striatal striatal ในผู้ที่ติดอินเทอร์เน็ต Neuroreport 2011, 22, 407 – 411 [Google Scholar] [CrossRef]
  50. Koepp, MJ; กันน์, RN; ลอเรนซ์, AD; คันนิงแฮม, VJ; Dagher, A .; Jones, T .; Brooks, DJ; ม้านั่ง CJ; Grasby, PM หลักฐานสำหรับการปลดโดปามีน striatal ระหว่างวิดีโอเกม ธรรมชาติ 1998, 393, 266 – 268 [Google Scholar]
  51. Hou, H .; เจีย, ส.; Hu, S. Fan, R .; อา. Sun, T .; จาง, H. ลดการขนส่งโดปามีนในทารกแรกเกิดในคนที่มีความผิดปกติของการเสพติดอินเทอร์เน็ต J. Biomed Biotechnol 2012, 2012 [Google Scholar]
  52. ดง, กรัม; Zhou, H .; Zhao, X. ผู้ติดอินเทอร์เน็ตชายแสดงความสามารถในการควบคุมผู้บริหารที่บกพร่อง: หลักฐานจากงาน Stroop คำสี Neurosci เลทท์ 2011, 499, 114 – 118 [Google Scholar] [CrossRef]
  53. ดง, กรัม; Lu, Q.; Zhou, H .; Zhao, X. การยับยั้งแรงกระตุ้นในผู้ที่มีโรคติดอินเทอร์เน็ต: หลักฐานทาง electrophysiological จากการศึกษา Go / NoGo Neurosci เลทท์ 2010, 485, 138 – 142 [Google Scholar] [CrossRef]
  54. ดง, กรัม; Zhou, H. ความสามารถในการควบคุมแรงกระตุ้นบกพร่องในผู้ที่มีความผิดปกติของการเสพติดอินเทอร์เน็ต: หลักฐาน electrophysiological จากการศึกษา ERP int J. Psychophysiol 2010, 77, 334 – 335 [Google Scholar] [CrossRef]
  55. Ge, L .; Ge, X .; Xu, Y .; จาง, เค. จ้าวเจ; Kong, X. การเปลี่ยนแปลง P300 และการบำบัดพฤติกรรมทางปัญญาในวิชาที่มีความผิดปกติของการเสพติดอินเทอร์เน็ตการศึกษาติดตามผล 3 เดือน Neural Regen Res 2011, 6, 2037 – 2041 [Google Scholar]
  56. Littel, M. ; Luijten, M. .; van den Berg, I.; van Rooij, A.; Keemink, L .; Franken, I. การยับยั้งการประมวลผลข้อผิดพลาดและการตอบสนองในผู้เล่นเกมคอมพิวเตอร์มากเกินไป: การศึกษา ERP ผู้เสพติด Biol 2012. [Google Scholar]
  57. Yu, H .; Zhao, X .; หลี่, น.; วัง, ม.; Zhou, P. ผลกระทบจากการใช้อินเทอร์เน็ตมากเกินไปต่อคุณลักษณะความถี่เวลาของ EEG Prog ชัยนาท วิทย์ 2009, 19, 1383 – 1387 [Google Scholar] [CrossRef]
  58. Derogatis, LR SCL-90-R Administration, Scoring & Procedure Manual II; Clinical Psychometric Research: Towson, MD, USA, 1994. [Google Scholar]
  59. คอสตา, PT; McCrae, RR ปรับปรุงสินค้าคงคลัง NEO บุคลิกภาพ (NEO-PI-R) และสินค้าคงคลังห้าปัจจัย NEO (NEO-FFI): คู่มือมืออาชีพ; ทรัพยากรการประเมินทางจิตวิทยา: โอเดสซา, ฟลอริดา, สหรัฐอเมริกา, 1992 [Google Scholar]
  60. Naqvi, NH; Bechara, A. เกาะติดยาเสพติดที่ซ่อนอยู่: The insula เทรนด์ Neurosci 2009, 32, 56 – 67 [Google Scholar] [CrossRef]
  61. Young, KS Internet Addiction Test (IAT) พร้อมใช้งานออนไลน์: http://www.netaddiction.com/index.php?option=com_bfquiz&view=onepage&catid=46&Itemid=106 (เข้าถึงได้ใน 14 พฤษภาคม 2012)
  62. เทาร, อาร์. Huang, X .; วังเจ. Liu, C.; Zang, H .; Xiao, L. เกณฑ์ที่เสนอสำหรับการวินิจฉัยทางคลินิกของการติดอินเทอร์เน็ต Med เจชิน PLA 2008, 33, 1188 – 1191 [Google Scholar]
  63. Wang, W.; เทาร, อาร์. Niu, Y.; เฉิน, คิว.; เจี่ยเจ; วัง, X. เสนอเกณฑ์การวินิจฉัยเบื้องต้นของการใช้อินเทอร์เน็ตทางพยาธิวิทยา คาง. ment สุขภาพเจ 2009, 23, 890 – 894 [Google Scholar]
  64. Young, K. การติดอินเทอร์เน็ต: การเกิดขึ้นของความผิดปกติทางคลินิกใหม่ Cyberpsychol Behav 1998, 3, 237 – 244 [Google Scholar] [CrossRef]
  65. หนุ่มแคนซัส; Rogers, RC ความสัมพันธ์ระหว่างภาวะซึมเศร้ากับการติดอินเทอร์เน็ต Cyberpsychol Behav 1998, 1, 25 – 28 [Google Scholar] [CrossRef]
  66. Johnson, S. NPD Group: ยอดขายซอฟต์แวร์เกม 2010 โดยรวมทรงตัวเมื่อเทียบกับ 2009 พร้อมใช้งานออนไลน์: http://www.g4tv.com/thefeed/blog/post/709764/npd-group-total-2010-game-software-sales-flat-compared-to-2009 (เข้าถึงได้ใน 3 กุมภาพันธ์ 2012)
  67. Young, K. จิตวิทยาการใช้คอมพิวเตอร์: XL การใช้อินเทอร์เน็ตที่เสพติด: กรณีที่ละเมิดกฎตายตัว จิตวิทยา ตัวแทนจำหน่าย 1996, 79, 899 – 902 [Google Scholar] [CrossRef]
  68. เกณฑ์การวินิจฉัยทางอินเทอร์เน็ตของ Goldberg, I. ความผิดปกติของการเสพติด (IAD) พร้อมใช้งานออนไลน์: http://www.psycom.net/iadcriteria.html (เข้าถึงได้ใน 23 พฤษภาคม 2012)
  69. Young, K. ติดอยู่ในตาข่าย; ไวลีย์: นิวยอร์ก, นิวยอร์ก, สหรัฐอเมริกา, 1998 [Google Scholar]
  70. Bentler, PM ดัชนีเปรียบเทียบพอดีในโมเดลโครงสร้าง จิตวิทยา วัว. 1990, 107, 238 – 246 [Google Scholar] [CrossRef]
  71. เฉิน, SH; Weng, LC; ซู, ยงจุน; อู๋หือ; Yang, PF การพัฒนามาตราส่วนการติดอินเทอร์เน็ตของจีนและการศึกษาไซโครเมทริกซ์ คาง. J. Psychol 2003, 45, 279 – 294 [Google Scholar]
  72. เครา, KW; Wolf, EM Modification ในเกณฑ์การวินิจฉัยที่เสนอสำหรับการติดอินเทอร์เน็ต Cyberpsychol Behav 2001, 4, 377 – 383 [Google Scholar] [CrossRef]
  73. Van Rooij, AJ; Schoenmakers, TM; Van den Eijnden, RJ; van de Mheen, D. วิดีโอทดสอบการติดยาเสพติด (VAT): ความถูกต้องและลักษณะ psychometric Cyberpsychol Behav Soc netw 2012. [Google Scholar]
  74. Ko, CH; เยน, JY; เฉิน, SH; หยาง, MJ; หลิน, HC; Yen, CF นำเสนอเกณฑ์การวินิจฉัยและเครื่องมือคัดกรองและวินิจฉัยการติดอินเทอร์เน็ตในนักศึกษา compr จิตเวช 2009, 50, 378 – 384 [Google Scholar]
  75. ชีแฮน DV; Lecrubier, Y.; ชีแฮน KH; Amorim, P .; Janvas, J .; Weiller, E .; Hergueta, T.; Baker, R .; Dunbar, GC การสัมภาษณ์ Mini-International Neuropsychiatric Interview (MINI): การพัฒนาและการตรวจสอบความถูกต้องของการสัมภาษณ์ทางจิตวิทยาการวินิจฉัยเชิงโครงสร้างสำหรับ DSM-IV และ ICD-10 เจ. คลีนิก จิตเวช 1998, 59, 22 – 33 [Google Scholar]
  76. ไจ่, MC; ไจ่, YF; เฉิน, CY; Liu, CY Alcohol การทดสอบการระบุความผิดปกติ (AUDIT): การสร้างคะแนนที่ถูกตัดออกในประชากรชาวจีนในโรงพยาบาล แอลกอฮอล์ Clin ประสบการณ์ Res 2005, 29, 53 – 57 [Google Scholar] [CrossRef]
  77. Heatherton, TF; Kozlowski, LT; Frecker, RC; Fagerström, KO การทดสอบ Fagerstrom สำหรับการพึ่งพานิโคติน: การแก้ไขแบบสอบถามความอดทนของ Fagerstrom br เจติดยาเสพติด 1991, 86, 1119 – 1127 [Google Scholar] [CrossRef]
  78. เบ็ค, อ.; วอร์ด, C.; Mendelson, M. สินค้าคงคลังสำหรับการวัดความซึมเศร้า โค้ง. พลศาสตร์จิตเวช 1961, 4, 561 – 571 [Google Scholar] [CrossRef]
  79. Lebcrubier, Y.; ชีแฮน DV; Weiller, E .; Amorim, P .; Bonora, I .; ชีแฮน, ฮ่องกง; Janavs, J.; Dunbar, GC การสัมภาษณ์ Mini Neuropsychiatric Psychology (MINI) บทสัมภาษณ์สั้น ๆ ที่มีโครงสร้างการวินิจฉัย: ความน่าเชื่อถือและความถูกต้องตาม CIDI Eur จิตเวช 1997, 12, 224 – 231 [Google Scholar]
  80. ก่อน MB; Gibbon, M. ; สปิตเซอร์, RL; Williams, JBW สัมภาษณ์โครงสร้างทางคลินิกสำหรับ DSM-IV Axis I ความผิดปกติ: เวอร์ชันแพทย์ (SCID-CV): Administration Booklet; สำนักพิมพ์จิตเวชอเมริกัน: วอชิงตัน ดี.ซี. สหรัฐอเมริกา 1996 [Google Scholar]
  81. Barratt, ES การวิเคราะห์ปัจจัยของมาตรการ psychometric ของความหุนหันพลันแล่นและความวิตกกังวล จิตวิทยา ตัวแทนจำหน่าย 1965, 16, 547 – 554 [Google Scholar] [CrossRef]
  82. ลี, HS Impulsiveness Scale; Korea Guidance: โซล, เกาหลี, 1992 [Google Scholar]
  83. Oldfield, RC การประเมินและวิเคราะห์ความถนัด: The Edinburgh Inventory Neuropsychologia 1971, 9, 97 – 113 [Google Scholar] [CrossRef]
  84. ชีแฮน DV; ชีแฮน KH; Shyte, RD; Janavs, J.; แบนนอน, วาย.; Rogers, JE; ไมโล, KM; สต็อก, SL; Wilkinson, B. ความน่าเชื่อถือและความถูกต้องของการสัมภาษณ์ Mini Neurpsychiatric สำหรับเด็กและวัยรุ่น (MINI-KID) เจ. คลีนิก จิตเวช 2010, 71, 313 – 326 [Google Scholar] [CrossRef]
  85. Huang, X .; Zhang, Z. การรวบรวมขนาดการจัดการการจัดการเวลาของวัยรุ่น Acta Psychol บาป. 2001, 33, 338 – 343 [Google Scholar]
  86. Patton, JH; Stanford, MS; Barratt โครงสร้าง ES Factor ของเครื่องชั่ง Barratt Impulsiveness เจ. คลีนิก จิตวิทยา 1995, 51, 768 – 774 [Google Scholar] [CrossRef]
  87. Birmaher, B.; Khetarpal, S. ; เบรนต์, D. ; Cully, M. ; Balach, L .; Kaufman, J.; Neer, SM หน้าจอสำหรับความผิดปกติทางอารมณ์ที่เกี่ยวข้องกับความวิตกกังวลของเด็ก (SCARED): การสร้างมาตราส่วนและลักษณะทางจิตวิทยา แยม. Acad เด็กวัยรุ่น จิตเวช 1997, 36, 545 – 553 [Google Scholar]
  88. Epstein, NB; บอลด์วิน, LM; อธิการ, DS อุปกรณ์ประเมินครอบครัว McMaster J. Marital Fam Ther 1983, 9, 171 – 180 [Google Scholar] [CrossRef]
  89. หยาง, CK; Choe, BM; Baity, M. ; ลี, JH; โปรไฟล์ Cho, JS SCL-90-R และ 16PF ของนักเรียนมัธยมปลายที่มีการใช้อินเทอร์เน็ตมากเกินไป สามารถ. เจจิตเวช 2005, 50, 407 – 414 [Google Scholar]
  90. Eysenck, SBG; เพียร์สัน, PR; Easting, G .; Allsopp, JF บรรทัดฐานอายุสำหรับความหุนหันพลันแล่นกิจการและเอาใจใส่ในผู้ใหญ่ Pers Individ แตกต่าง 1985, 6, 613 – 619 [Google Scholar] [CrossRef]
  91. Lijffijt, M.; Caci, H .; Kenemans, JL การตรวจสอบความถูกต้องของการแปลภาษาดัตช์ของแบบสอบถาม l7 Pers Individ แตกต่าง 2005, 38, 1123 – 1133 [Google Scholar] [CrossRef]
  92. Lemmens, P .; ผิวสีแทน, ES; Knibbe, RA การวัดปริมาณและความถี่ของการดื่มในการสำรวจประชากรทั่วไป: การเปรียบเทียบดัชนีห้าดัชนี เจสตั๊ด แอลกอฮอล์ 1992, 53, 476 – 486 [Google Scholar]
  93. เบ็ค, AT; Steer, R. Manual สำหรับ Beck Depression Inventory; The Psychological Corporation: ซานอันโตนิโอ, เท็กซัส, สหรัฐอเมริกา, 1993 [Google Scholar]
  94. ยี่, YS; Kim, JS ความถูกต้องของรูปแบบสั้น ๆ ของ Korean-Wechsler Adult Intelligence Scale เจเกาหลี Clin จิตวิทยา 1995, 14, 111 – 116 [Google Scholar]
  95. Goldstein, RZ; Alia-Klein, N.; Tomasi, D. ; Carrillo, JH; มาโลนี, ต.; Woicik, PA; วัง, อาร์. Telang, F .; Volkow, ND hypoactivations เยื่อหุ้มสมองด้านหน้า Aning cingulate กับงานสำคัญทางอารมณ์ในการติดยาเสพติดโคเคน พร Natl Acad วิทย์ สหรัฐอเมริกา 2009, 106, 9453 – 9458 [Google Scholar]
  96. Schoenebaum, G.; Roesch, MR; Stalnaker, TA Orbitofrontal cortex, การตัดสินใจและการติดยาเสพติด เทรนด์ Neurosci 2006, 29, 116 – 124 [Google Scholar] [CrossRef]
  97. Li, C.; Sinha, R. การควบคุมการยับยั้งและการควบคุมความเครียดทางอารมณ์: หลักฐานทางระบบประสาทสำหรับความผิดปกติของหน้าผาก - แขนขาในการติดยาเสพติดกระตุ้นจิต Neurosci Biobehav รายได้ 2008, 32, 581 – 597 [Google Scholar] [CrossRef]
  98. Maddock, RJ; Garrett, AS; Buonocore, MH การเปิดใช้งานเยื่อหุ้มสมองหลังเยื่อหุ้มสมอง cingulate โดยคำพูดทางอารมณ์: หลักฐาน fMRI จากงานการตัดสินใจ valence ครวญเพลง Mapp สมอง 2003, 18, 30 – 41 [Google Scholar] [CrossRef]
  99. Schnitzler, A .; Salenius, S. Salmelin, R.; Jousmäki, V.; Hari, R. การมีส่วนร่วมของคอร์เทกซ์หลักในภาพถ่ายของมอเตอร์: การศึกษาทางระบบประสาท Neuroimage 1997, 6, 201 – 208 [Google Scholar] [CrossRef]
  100. Schiemanck, S .; Kwakkel, G .; โพสต์ MWM; Kappelle, JL; Prevo, AJH ผลกระทบของรอยโรคจากแคปซูลภายในต่อผลลัพธ์ของการทำงานของมือยนต์เมื่อครบหนึ่งปี J. Rehabil Med 2008, 40, 96 – 101 [Google Scholar] [CrossRef]
  101. Rosenberg, BH; Landsittel, D. ; Averch, TD สามารถใช้วิดีโอเกมเพื่อทำนายหรือพัฒนาทักษะการส่องกล้องได้หรือไม่? J. Endourol 2005, 19, 372 – 376 [Google Scholar] [CrossRef]
  102. Bora, E .; Yucel, M. .; Fornito, A .; Pantelis, C.; แฮร์ริสัน, BJ; Cocchi, L .; Pell, G .; Lubman, DI โครงสร้างจุลภาคของสสารขาวในการติดยาเสพติด ผู้เสพติด Biol 2012, 17, 141 – 148 [Google Scholar] [CrossRef]
  103. ใช่ PH; Simpson, K.; Durazzo, TC; Gazdzinski, S. ; Meyerhoff, DJ-Based Spatial Statistics (TBSS) ของข้อมูลการถ่ายภาพเทนเซอร์ในการพึ่งพาแอลกอฮอล์: ความผิดปกติของระบบประสาทที่สร้างแรงบันดาลใจ จิตเวชศาสตร์ 2009, 173, 22 – 30 [Google Scholar] [CrossRef]
  104. Arnone, D. ; Abou-Saleh, MT; Barrick, TR Diffusion tensor imaging ของคอลลัสแคลลัสที่ติดอยู่ Neuuropsychobiology 2006, 54, 107 – 113 [Google Scholar] [CrossRef]
  105. Byun, S. Ruffini, C.; มิลส์, JE; ดักลาส, AC; เนียง, ม.; Stepchenkova, S. ลีช๊อปปิ้ง; Loutfi, J.; ลี, JK; Atallah, M. ; et al. การติดอินเทอร์เน็ต: การวิเคราะห์เชิงปริมาณของการวิจัยเชิงปริมาณของ 1996 – 2006 Cyberpsychol Behav 2009, 12, 203 – 207 [Google Scholar] [CrossRef]
  106. Polich, J .; พอลลอค, VE; Bloom, FE การวิเคราะห์เมตาดาต้าของแอมพลิจูด P300 จากผู้ชายที่เสี่ยงต่อการติดสุรา จิตวิทยา วัว. 1994, 115, 55 – 73 [Google Scholar] [CrossRef]
  107. Nichols, JM; Martin, F. P300 ในนักดื่มโซเชียลหนัก: ผลของ lorazepam แอลกอฮอล์ 1993, 10, 269 – 274 [Google Scholar] [CrossRef]
  108. Sokhadze, E.; Stewart, C.; Hollifield, M. ; Tasman, A. การศึกษาเหตุการณ์ที่อาจเกิดขึ้นเกี่ยวกับความผิดปกติของผู้บริหารในภารกิจเร่งปฏิกิริยาในการเสพติดโคเคน J. Neurother 2008, 12, 185 – 204 [Google Scholar] [CrossRef]
  109. โทมัส, MJ; Kalivas, PW; Shaham, Y. Neuroplasticity ในระบบ dopamine mesolimbic และการติดโคเคน br เจ Pharmacol 2008, 154, 327 – 342 [Google Scholar]
  110. Volkow, ND; ฟาวเลอร์, JS; วัง, GJ; Swanson, JM Dopamine ในการใช้ยาเสพติดและการติดยา: ผลจากการศึกษาภาพและผลกระทบของการรักษา mol จิตเวช 2004, 9, 557 – 569 [Google Scholar] [CrossRef]
  111. เจีย, SW; Wang, W.; Liu, Y.; Wu, ZM การศึกษา Neuroimaging ของการเปลี่ยนแปลงของสมองคลังข้อมูล striatum ในผู้ป่วยเฮโรอีนขึ้นอยู่กับการรักษาด้วยยาสมุนไพร, แคปซูล U'finer ผู้เสพติด Biol 2005, 10, 293 – 297 [Google Scholar] [CrossRef]
  112. มอร์ริสัน, CM; Gore, H. ความสัมพันธ์ระหว่างการใช้อินเทอร์เน็ตมากเกินไปกับภาวะซึมเศร้า: การศึกษาโดยใช้แบบสอบถามจากคนหนุ่มสาว 1319 และผู้ใหญ่ พยาธิวิทยา 2010, 43, 121 – 126 [Google Scholar] [CrossRef]
  113. Di Nicola, M. ; Tedeschi, D. ; มาซา, ม.; Martinotti, G .; Harnic, D. ; Catalano, V; Bruschi, A. Pozzi, G .; Bria, P .; Janiri, L. พฤติกรรมการเสพติดในผู้ป่วยโรคอารมณ์แปรปรวน: บทบาทของแรงกระตุ้นและมิติบุคลิกภาพ J. Affect Disord 2010, 125, 82 – 88 [Google Scholar] [CrossRef]
  114. Volkow, ND; ฟาวเลอร์, JS; Wang, GJ สมองของมนุษย์ที่ติดยาเสพติดมองในแง่ของการศึกษาการถ่ายภาพ: วงจรสมองและกลยุทธ์การรักษา Neuropharmacology 2004, 47, 3 – 13 [Google Scholar] [CrossRef]
  115. แชฟเฟอร์ฮยอนจุง; LaPlante, DA; LaBrie, RA; คิดแมน RC; โดนาโต, AN; Stanton, MV สู่รูปแบบอาการของการเสพติด: การแสดงออกหลายอย่าง, สาเหตุที่พบบ่อย Harv รายได้จิตเวช 2004, 12, 367 – 374 [Google Scholar] [CrossRef]