Article de méthode

Mesure de fronto-limbique activité en utilisant une Oddball Groupe émotionnelle chez les enfants atteints familiale à risque élevé pour la schizophrénie

DOI :

10.3791/51484

⸱

2 décembre 2015

 ,  ,  ,  ,  ,  ,  , 
1Department of Psychiatry, University of North Carolina at Chapel Hill School of Medicine, 2Duke-UNC Brain Imaging and Analysis Center, Duke University Medical Center, 3Curriculum in Neurobiology, University of North Carolina at Chapel Hill

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cet article décrit comment utiliser la tâche d’excentricité émotionnelle et l’IRMf pour mesurer l’activation cérébrale chez les enfants et les adolescents à haut risque familial de schizophrénie (FHR). L’IRMf a été utilisée pour mesurer les différences dans les régions fronto-striato-limbiques au cours d’une tâche d’excentricité émotionnelle. Les enfants atteints de FHR ont présenté une activation fonctionnelle anormale à l’adolescence.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’adolescence est une période critique du développement où les premiers symptômes de la schizophrénie apparaissent fréquemment. Les parents au premier degré de personnes atteintes de schizophrénie qui sont à haut risque familial (FHR) peuvent présenter des changements cognitifs et émotionnels similaires. Cependant, les changements neurologiques sous-jacents à l’émergence de ces symptômes restent incertains. Cette étude a cherché à identifier les différences dans les régions frontale, striatale et limbique chez les enfants et les adolescents atteints de FHR à l’aide de l’imagerie par résonance magnétique fonctionnelle. Des groupes de 21 enfants et adolescents à FHR et 21 témoins sains ont accompli une tâche émotionnelle bizarre qui reposait sur une attention sélective et la suppression d’informations émotionnelles non pertinentes. La tâche standard a été modifiée pour inclure des distracteurs aversifs et neutres afin d’examiner les différences potentielles entre les groupes dans le traitement émotionnel et exécutif. Cette tâche a été conçue spécifiquement pour permettre aux enfants et aux adolescents de la compléter en gardant la difficulté et le contenu de l’image émotionnelle adaptés à l’âge. De plus, nous démontrons une technique d’enregistrement approprié de l’IRMf pour les enfants et les adolescents participants. Ce paradigme pourrait également être appliqué dans de futures études pour mesurer les changements dans l’activité neuronale dans d’autres populations avec des changements développementaux hypothétiques dans le traitement exécutif et émotionnel.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La schizophrénie est un trouble neurodéveloppemental avec une composante génétique connue1,2 et avec des symptômes comprenant des déficits dans le traitement exécutif et émotionnel3,4. On pense que les parents au premier degré courent un risque accru de développer une schizophrénie et qu’ils partagent certains de ces mêmes déficits neurocognitifs dans les domaines cognitif et socio-émotionnel5. Nous nous attendons donc à ce que l’activité cérébrale dans les régions associées au traitement exécutif et émotionnel puisse être modifiée chez les membres de la famille à risque avant l’apparition des symptômes cliniques.

Des études antérieures ont indiqué que les adultes atteints de schizophrénie et les adultes à haut risque familial présentent une activité aberrante au sein des réseaux exécutifs et de traitement émotionnel ; cependant, on ne sait pas comment ces changements se produisent au cours du développement. Démontrer que ces changements se produisent tôt dans la vie sera une première étape essentielle pour comprendre la physiopathologie de la maladie. Par conséquent, cette étude utilise un paradigme émotionnel bizarre pendant l’IRM fonctionnelle (IRMf) afin de mesurer l’activité cérébrale pendant l’accomplissement d’une tâche qui nécessite à la fois un traitement exécutif et émotionnel chez les adolescents à risque de développer une schizophrénie. Des paradigmes bizarres sont fréquemment utilisés pour examiner la fonction des circuits fronto-striés chez la schizophrénie6 et chez les individus à haut risque familial7 en mesurant les processus d’attention sélective attribués aux stimuli cibles pertinents à la tâche. Ici, une tâche standard bizarre a été modifiée pour inclure des stimuli aversifs et neutres non pertinents qui ont montré qu’ils provoquent des changements dans l’activité cérébrale chez les patients atteints de schizophrénie8.

Cet article mesure les différences fonctionnelles entre les adolescents en bonne santé et les adolescents à haut risque familial de schizophrénie à l’aide d’une tâche émotionnelle bizarre. La conception de la tâche est similaire à celle utilisée par Fichtenholtz et ses collègues9, mais la sélection d’images émotionnelles aversives a été modifiée pour convenir aux enfants âgés de 9 à 18 ans. L’utilisation de cette tâche pendant l’IRM fonctionnelle a permis d’identifier des régions cérébrales spécifiques qui présentaient des modèles d’hyperactivation et d’hypoactivation chez les enfants et les adolescents atteints de FHR pour la schizophrénie, en plus des changements liés à l’âge dans l’activité neuronale au cours du développement de l’adolescent.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les techniques de recherche utilisées au cours de cette étude ont été approuvés par les commissions d'examen institutionnels (IRB) de l'Université Duke et de l'Université de Caroline du Nord - Chapel Hill.

1. Imagerie tâche Design

  1. Générer une tâche comportementale basée sur l'événement qui présente des stimuli cibles rares (un cercle) contenue dans une séquence de stimuli standard plus fréquents (images brouillés). Un schéma de la tâche est représentée sur la Figure 1. Présenter la tâche en utilisant un logiciel CIGAL 10.

figure-protocol-1
Figure 1. Schéma de la conception des tâches. Ce chiffre a été modifié depuis Hart et al. 20, avec la permission. S'il vous plaît cliquez ici pour voir une version plus grande de cette figure.

  1. Sélectionnez autantet un stimulus aversif, et un ensemble de stimuli neutres de la base de données Système International Photo affectif (IAPS). IAPS images sont notés sur une échelle de 1-9 afin de refléter les niveaux d'excitation et Valence 11. Un nombre élevé indiquent valence positive plus élevée et l'excitation. Sélectionnez un ensemble d'images qui sont adaptés à l'âge du groupe d'étude tels que des images de serpents, araignées, ou d'autres animaux.
    Remarque: Les images stimulus aversif tâches pertinent utilisées pour cette étude avaient une note moyenne de valence de 3,38 (SD = 1,78) et une note moyenne de l'excitation de 6,14 (SD = 2,08). Les images stimuli neutres ont une valence moyenne de 6,21 (SD = 0,26) et une note moyenne de l'excitation de 3,72 (SD = 2,15).
  2. Programme du script de la tâche telle que les images sont présentées dans un ordre pseudo-aléatoire pour 1.500 ms avec un intervalle de 500 ms signifie inter-stimulus. Stimuli présents cibles et des images neutres tâches pertinent plus fréquemment que toutes les 15 secondes et font chacune environ 4% des stimuli. Jiévénements tter fois apparition afin de fournir une meilleure résolution de la fonction de réponse hémodynamique.
  1. Créer 8 ensembles d'images, une pour chacune des 8 courses fonctionnels tels que les participants sont présentés avec un total de 40 cibles et 40 images neutres tâches sans importance au cours des 8 pistes.

2. Installation de participant et la numérisation

  1. Recruter les enfants et adolescents âgés de 9 et 18 ans qui sont soit des individus témoins sains ou qui sont à risque familial élevé de psychose.
    1. Veiller à ce que les personnes en bonne santé ont pas de maladies psychiatriques ou des membres de la famille au premier degré avec une maladie psychiatrique. Veiller à ce que les participants de risque familiaux ont au moins un parent au premier degré (parent ou un frère) à la schizophrénie. Ne pas exclure la présence d'autres maladies psychiatriques chez les parents au premier degré.
    2. L'âge et le sexe match participants en bonne santé avec des participants du groupe de risque familials.
  2. Acquérir le consentement éclairé des participants âgés de plus de 18. Pour les mineurs, d'acquérir le consentement éclairé des parents / tuteurs légaux. En outre, l'acquisition de consentement écrit de mineurs qui prennent part à l'étude.
  3. Placez les participants dans un scanner IRM maquette afin de les familiariser avec l'environnement. Jouer un enregistrement audio du bruit du scanner et de les compléter une descente d'entraînement de la tâche comportementale afin d'assurer qu'ils comprennent les instructions de la tâche.
  4. Placez le participant dans le scanner IRM et acquérir des scans du cerveau de localisation nécessaires et / ou des images anatomiques.
  5. Utiliser une boîte d'entrée IRM-fort, dire aux participants à appuyer sur un bouton avec leur index en réponse à tous les stimuli cibles et un autre bouton avec leur doigt du milieu pour tous les autres stimuli.
  6. Après balayage IRMf, recueillir des évaluations subjectives de l'excitation et de Valence pour les images utilisées dans l'étude d'un sous-ensemble de participants. Les Current étude obtenue notes de 15 commandes et 13 à haut risque familial.

3. Image Acquisition

  1. La place les participants dans un scanner IRM 3.0 Tesla. Tout d'abord, l'acquisition d'un ensemble d'images structurelles, y compris une image 3D anatomique T1 contraste coplanaires en utilisant une séquence d'impulsions d'acquisition gâté gradient rappelé (TR: 5,16 ms; TE: 2,04 ms; FOV: 24 cm; image de la matrice: 256 × 256; flip Angle: 20; taille de voxel: 0,94 mm x 0,94 mm x 1,9 mm; 68 coupes axiales).
  2. Acquérir des données d'imagerie fonctionnelle en utilisant un gradient d'écho séquence d'imagerie écho-planaire avec une couverture complète du cerveau (TR: 2000 ms; TE: 27 ms; FOV: 24 cm; image de la matrice: 64 × 64; Retournez Angle: 60; taille de voxel: 3,75 mm x 3,75 mm x 3,8 mm; coupes axiales 34) de sorte que l'activité du cerveau peut être mesuré pendant l'exécution de la tâche comportementale. Exécutez cette séquence d'imagerie pour chaque exécution de la tâche comportementale. Chaque essai doit être composé de 120 points de temps d'imagerie.
  3. Présenter le TAsk en 8 pistes fonctionnelles, d'une durée d'environ 4 minutes de chaque.

4. Analyses

  1. Prétraitement de l'image: Ouvrir l'outil Expert analyse IRMf (Feat) en FLS 12. Sélectionnez analyse de premier niveau et pré-stats.
    1. Dans l'onglet "Données", sélectionnez le nombre d'images d'entrée et entrez le chemin d'accès à chacune des images IRM que vous allez traiter. Définir le répertoire de sortie. Entrez les volumes totaux, nombre d'acquisitions rejeté et les TR.
    2. Dans l'onglet «pré-statistiques", régler la correction de mouvement pour MCFLIRT, Spatial lissage FWHM à 5 mm, et "la correction de synchronisation Slice". Sélectionnez "extraction du cerveau BET" et "passe-haut" filtrage temporel, mais ne sélectionnez pas B0 unwarping (uness vous avez une carte de champ de gradient) ou «Je ntensitiy normaization". 12,14.
    3. Dans l'onglet «Inscription», sélectionnez «Principal strul'image ctural ". Entrez le chemin crâne dépouillé pondérée en T1 l'image de l'objet. Utiliser une recherche normale linéaire avec au moins 6 degrés de liberté. Activez la case à cocher de l'espace standard. Entrez le chemin de l'image de l'atlas de l'INM. Utilisez une normale, linéaire recherche avec 12 DOF. Appuyez sur OK.
    4. Exclure les participants avec plus de 3 mm mouvement de la tête dans le X, Y ou Z directions.
  2. Niveau 1: Comparaison des données entre les conditions de tâches au sein d'un seul passage. Ouvrir FEAT. Sélectionnez "analyse de premier niveau" et "Statistiques + Post-stats".
    1. Dans l'onglet Données, définissez le nombre d'entrées et entrez le chemin d'accès à chacune des images IRM. Entrez un chemin pour le "répertoire de sortie". Entrez "Total des volumes", le nombre d'acquisitions rejeté et les TR.
    2. Dans l'onglet "Statistiques", sélectionnez l'option "Utiliser FILM pré-blanchir" case 16. Appuyez sur le «modèle complet soibouton tup ". Réglez le "Nombre de véhicules électriques d'origine" au nombre des conditions de tâches. Pour chaque condition, sélectionnez "(format de la colonne 3) personnalisée" dans le menu déroulant forme de base et "Double-Gama HRF du" menu "de convolution déroulant 17,18 et sélectionnez un fichier texte contenant la tâche timing.
      1. Formater ce fichier texte en 3 colonnes avec une entrée pour chaque «événement» du type donné. La première colonne doit contenir le temps de déclenchement (en secondes), le second devrait contenir la durée (en secondes), et le troisième doit contenir le poids de l'événement. Dans l'onglet Contraste & F-tests, en créer un contraste pour chaque condition de tâche et un pour chaque comparaison.
    3. Sur les "Post-stats", sélectionnez "cluster" dans le menu déroulant "Seuil" et définir le "seuil de Z" et Cluster P te seuil de 0,05 à 2,3 et 8,19 respectivement.
    4. Dans l'onglet «Inscription», sélectionnez «Principal image structurale". Entrez le chemin vers le crâne dénudé pondérée en T1 l'image de l'objet. Utilisez une recherche normale linéaire avec au moins 6 degrés de liberté. Sélectionnez «l'espace standard" case à cocher. Entrez le chemin de l'image de l'atlas de l'INM. Utilisez, une recherche linéaire normale avec 12 DOF. Appuyez sur "Go".
  3. Niveau 2: Comparaison des données entre les points pour chaque condition de la tâche. Ouvrir FEAT. Sélectionnez "analyse au niveau supérieur» et «Statistiques + Post-stats" du menu déroulant.
    1. Dans l'onglet Données, sélectionnez "entrées sont des répertoires de FEAT niveau inférieur". Réglez le nombre d'entrées et entrez le chemin d'accès à chacune des images IRM. Entrez un chemin pour le "répertoire de sortie".
    2. Dans l'onglet «Statistiques», changer les «effets mixtes: FLAME1" boîte de sélection sur «Fixed Effets ". Appuyez sur le" assistant de configuration Modèle "bouton. Sélectionnez" moyenne de groupe unique »et cliquez sur le bouton" Process ".
    3. Dans l'onglet "Post-stats», sélectionnez «cluster» dans le menu déroulant "Seuil" et définir le "seuil de Z" et le seuil "Cluster P" à 2,3 et 0,05 respectivement 8,19. Appuyez sur "Go".
  4. Niveau 3: Comparer les données entre les sujets pour chaque condition de travail dans toutes les courses. Ouvrir FEAT. Sélectionnez "analyse au niveau supérieur» et «Statistiques + Post-stats" du menu déroulant.
    1. Dans l'onglet Données, sélectionnez "entrées sont en 3D face images à partir de répertoires de Feat." Définir le nombre d'entrées et entrez le chemin à chacune des images IRM. Entrez un chemin pour le "répertoire de sortie".
    2. Sur le «Statistiques» tab, Appuyez sur le "setup complet de modèle". Définissez le nombre de véhicules électriques égal au nombre de variables et covariables groupes tels que le groupe de diagnostic, l'âge, le sexe, etc. Entrez les valeurs pour chaque objet (entrée 1 - entrée N) pour chaque EV. Vous pouvez utiliser la fenêtre "Coller" pour copier une feuille de calcul de ces valeurs.
      1. Dans l'onglet "Contrastes & F-tests", ajouter un contraste pour chaque variable de test et pour chaque contraste (par exemple, le groupe de diagnostic). Pour chaque variable d'essai, régler le contraste en sélectionnant la valeur 1 dans la colonne sous l'EV appropriée. Pour chaque contraste, réglez la première valeur à 1 et la deuxième à -1. Sélectionnez "Terminé".
    3. Dans l'onglet "Post-stats", sélectionnez "cluster" dans le menu déroulant "Seuil" et définir le "seuil de Z" et le seuil "Cluster P" à 2,3 et 0,05 respectivement 8,19 "Go".

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il n'y avait aucune différence entre les groupes en fonction de caractéristiques démographiques 20. Les données comportementales indiquent que la tâche de détection de cible est à un niveau de difficulté approprié pour les enfants et les adolescents âgés de 9-18. Dans l'étude actuelle, les contrôles correctement identifié 82,36% des objectifs (SD = 0,14), et le groupe de risque familial correctement identifié 76,8% des objectifs (SD = 0,17). Les deux groupes ont montré une diminution de préc...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il a été démontré que le paradigme modifié de l’excentricité émotionnelle dans l’étude actuelle suscite des différences dans le recrutement neuronal lors de l’attention sélective et du traitement émotionnel chez les enfants et les adolescents à risque de schizophrénie. Bien que les paradigmes existants utilisant la tâche de l’excentrique émotionnel aient été utilisés pour étudier les changements neuronaux dans les populations adultes atteintes de maladies psychiatriques8, le paradigme actuel peut être particul...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Le Dr Perkins reçoit actuellement une subvention de Janssen et est consultant auprès de Dainippon. Dans le passé, le Dr Perkins est ou a été membre du bureau des conférenciers d’Eli Lilly et d’AstraZeneca. Le Dr Perkins a déjà reçu des subventions d’AstraZeneca, de Bristol-Myers Squibb, d’Otsuka, d’Eli Lilly, de Janssen et de Pfizer ; et les frais de consultation et de formation d’AstraZeneca, de Bristol-Myers Squibb, d’Eli Lilly, de Janssen, de Glaxo Smith Kline, de Forest Labs, de Pfizer et de Shire. Tous les autres auteurs ne déclarent aucun intérêt financier biomédical ou conflit d’intérêts potentiel.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nous remercions Erin Douglas, Anna Evans et Carolyn Bellion pour leurs contributions au recrutement des participants et à l’évaluation clinique. Nous remercions également Michael Casp, Zoe Englander, Justin Woodlief et James Carter pour leurs contributions à la collecte et à l’analyse des données, ainsi que Robert M. Hamer pour sa consultation sur l’analyse statistique et la révision du manuscrit. Enfin, nous remercions les personnes et leurs familles qui ont participé à cette étude.

Cette étude a été financée par la subvention P50 du centre Conte MH064065 de l’Institut national de la santé mentale. Le Dr Hart a été soutenu par le HD040127 T32 de l’Institut national de la santé infantile et du développement humain.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Scanner IRM 3TSCANNER GEBIAC scanner 3T (remplacé)

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kety, S. S., Rosenthal, D., Wender, P. H., Schulsinger, F. Mental illness in the biological and adoptive families of adpoted schizophrenics. Am J Psyc. 128, 302-306 (1971).
  2. Weinberger, D. R. Implications of normal brain development for the pathogenesis of schizophrenia. Arch Gen Psychia. 44, 660-669 (1987).
  3. Nuechterlein, K. H., Dawson, M. E. Information processing and attentional functioning in the developmental course of schizophrenic disorders. Schizophr Bul. 10, 160-203 (1984).
  4. Nuechterlein, K. H. The vulnerability/stress model of schizophrenic relapse: a longitudinal study. Acta Psychiatr Scand, Supp. 382, 58-64 Forthcoming.
  5. Keshavan, M. S. Premorbid cognitive deficits in young relatives of schizophrenia patients. Front Hum Neurosc. 3 (62), (2010).
  6. Kiehl, K. A., Liddle, P. F. An event-related functional magnetic resonance imaging study of an auditory oddball task in schizophrenia. Schizophr Re. 48, 159-171 (2001).
  7. Bramon, E. Is the P300 wave an endophenotype for schizophrenia? A meta-analysis and a family study. Neuroimag. 27, 960-968 (2005).
  8. Dichter, G. S., Bellion, C., Casp, M., Belger, A. Impaired modulation of attention and emotion in schizophrenia. Schizophr Bul. 36, 595-606 (2010).
  9. Fichtenholtz, H. M. Emotion-attention network interactions during a visual oddball task. Brain Res Cogn Brain Re. 20, 67-80 (2004).
  10. Voyvodic, J. T. Real-time fMRI paradigm control, physiology, and behavior combined with near real-time statistical analysis. Neuroimag. 10, 91-106 (1999).
  11. International affective picture system (IAPS): Digitized photographs, instruction manual and affective ratings. Technical Report A-6. , The Center for Research in Psychophysiology, University of Florida. (2005).
  12. Smith, S. M. Advances in functional and structural MR image analysis and implementation as FSL. Neuroimag. 23, 208-219 (2004).
  13. Smith, S. M. Fast robust automated brain extraction. Hum Brain Map. 17, 143-155 (2002).
  14. Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimag. 17, 825-841 (2002).
  15. Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Med Image Ana. 5, 143-156 (2001).
  16. Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. Temporal autocorrelation in univariate linear modeling of FMRI data. Neuroimag. 14, 1370-1386 (2001).
  17. Beckmann, C. F., Jenkinson, M., Smith, S. M. General multilevel linear modeling for group analysis in FMRI. Neuroimag. 20, 1052-1063 (2003).
  18. Woolrich, M. W., Behrens, T. E., Beckmann, C. F., Jenkinson, M., Smith, S. M. Multilevel linear modelling for FMRI group analysis using Bayesian inference. Neuroimag. 21, 1732-1747 (2004).
  19. Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. Neuroimag. 15, 870-878 (2002).
  20. Hart, S. J. Altered fronto-limbic activity in children and adolescents with familial high risk for schizophrenia. Psychiatry Re. 212, 19-27 (2013).
  21. Hariri, A. R., Bookheimer, S. Y., Mazziotta, J. C. Modulating emotional responses: effects of a neocortical network on the limbic system. Neurorepor. 11, 43-48 (2000).
  22. Gottesman, I. I., Gould, T. D. The endophenotype concept in psychiatry: etymology and strategic intentions. Am J Psyc. 160, 636-645 (2003).
  23. Glahn, D. C., Thompson, P. M., Blangero, J. Neuroimaging endophenotypes: strategies for finding genes influencing brain structure and function. Hum Brain Map. 28, 488-501 (2007).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Imagerie par r sonance magn tique fonctionnellerisque de schizophr nieIRM p diatrique et adolescenteconception de t ches comportementalesanalyse de donn es d IRMfentra nement sur scanner simulstimuli neutres aversifs

Articles connexes