Mesurer la valeur subjective des options risquées et ambiguës l'aide de l'économie expérimentale et fonctionnels des méthodes d'IRM

L'objectif général de l'expérience suivante est d'examiner le codage neuronal de la valeur subjective d'options risquées et ambiguës à l'aide de l'IRM fonctionnelle. Cela est réalisé en scannant des participants pendant qu'ils effectuent des choix entre des loteries risquées et ambiguës, variant selon le montant, la probabilité et le niveau d'ambiguïté. Les choix effectués par chaque participant sont ensuite utilisés pour estimer son attitude face au risque et à l'ambiguïté, ce qui permet ensuite d'évaluer comment le risque et l'ambiguïté influencent la valorisation des loteries par les participants.

Ensuite, ces estimations sont utilisées comme régresseurs dans un modèle linéaire général afin d'identifier les régions cérébrales dont l'activité est corrélée à la valeur subjective des loteries risquées et/ou ambiguës. Les résultats montrent une corrélation avec les valeurs subjectives des options risquées et ambiguës dans des régions chevauchantes du cortex préfrontal médian et du striatum. Le principal avantage de cette technique par rapport aux autres méthodes comparant l'activité générale lors de loteries risquées et ambiguës réside dans le fait que le comportement individuel de chaque participant est pris en compte lors de l'analyse de l'activation cérébrale.

Cette méthode peut aider à répondre à des questions clés dans le domaine de la neuroéconomie, comme la manière dont la valeur est représentée dans le cerveau et utilisée pour effectuer des choix. La première étape de ce protocole consiste à concevoir les stimuli visuels représentant des choix risqués et ambigus à présenter pendant l'imagerie. Utilisez des images telles que celles-ci pour représenter des enveloppes remplies de jetons de poker appelés « sacs de loterie » dans les stimuli pour des loteries risquées, la probabilité de gain étant le rapport entre le nombre de jetons rouges et bleus. Cette probabilité doit être illustrée à l’aide d’un stimulus graphique et de chiffres. Ici, les surfaces rouges et bleues de chaque image sont proportionnelles au nombre de jetons rouges et bleus.

Dans une enveloppe réelle, un minimum de trois probabilités de résultat est recommandé pour les loteries ambiguës. Une partie de l'information concernant la probabilité doit être manquante, de sorte que le rapport possible entre les jetons rouges et bleus soit borné mais non précisé. Cela rend la probabilité de gain partiellement ambiguë.

L'augmentation de la taille de l'occlusion accroît le niveau d'ambiguïté. Nous recommandons d'utiliser au moins trois niveaux d'occlusion, chacun présentant la probabilité de gain ou le niveau d'ambiguïté, avec le montant du gain indiqué à côté de la couleur gagnante et zéro à côté de l'autre couleur. Ici, tirer un jeton rouge permettrait de gagner 18, tandis que tirer un jeton bleu conduirait à un résultat nul. Cinq.

On recommande des niveaux de récompense couvrant une large gamme de montants lors de chaque essai. Le sujet devra choisir entre deux loteries. Toutefois, par souci de simplicité, l'une des options peut rester constante tout au long de l'expérience et hors écran, tandis que seule l'option affichée est modifiée.

Chaque combinaison de niveau de probabilité ou d'ambiguïté et de montant doit être présentée au moins quatre fois afin d'assurer une puissance statistique suffisante. Dans les analyses, configurez le paradigme comme une conception à événements lents afin que chaque loterie soit présentée comme un stimulus pendant deux secondes, suivie d'une période de délai de six secondes permettant la réponse neurovasculaire. Ensuite, la réponse doit être fournie en une à deux secondes.

Utilisez une image simple comme rétroaction brève pour indiquer que la réponse a été enregistrée et séparez les essais par des périodes de repos d'au moins 10 secondes. Préparez également des sachets ou des enveloppes physiques correspondant à chaque image de loterie utilisée. Dans l'expérience.

Remplissez chaque enveloppe avec un total de 100 jetons rouges et bleus, selon des proportions correspondant à la probabilité de tirer un jeton de chaque couleur depuis le sac indiqué sur l'affichage. Ces enveloppes doivent être montrées aux sujets avant la tâche, car elles seront utilisées ultérieurement pour jouer des essais choisis aléatoirement afin de déterminer le gain. Rémunérer les sujets en fonction de leurs choix durant l'expérience est essentiel pour les inciter à exprimer leurs véritables préférences.

L'utilisation de sacs physiques contenant de vrais jetons pour jouer aux loteries garantit au sujet que les probabilités de résultat sont bien celles indiquées avant l'analyse. Demandez d'abord au sujet de remplir un formulaire de consentement ainsi qu'un questionnaire de dépistage pour l'IRM. Ensuite, assurez-vous que le sujet retire tous les objets métalliques afin de garantir la sécurité dans l'environnement du scanner.

Ensuite, fournissez au sujet des instructions détaillées concernant l'expérience et la tâche. Assurez-vous que le sujet comprenne comment les probabilités et les montants sont indiqués dans chaque image, mais ne révélez aucune information susceptible d'influencer les choix. Une boîte de réponse à deux boutons sera utilisée dans le scanner pour enregistrer les choix du sujet.

Expliquez également le mécanisme de paiement afin que le sujet comprenne que le paiement sera effectué selon les choix réalisés. Scellez les sachets préparés au préalable et demandez au sujet de signer son nom sur le sceau.

Expliquez que cela permettra de vérifier à la fin de l'expérience que le contenu des sacs n'a pas été modifié, car le sujet aura la possibilité d'observer l'intérieur des sacs afin de s'assurer qu'ils correspondent au niveau de probabilité ou d'ambiguïté indiqué. À l'aide d'un appareil d'IRM de trois Tesla, acquérez d'abord une image haute résolution du cerveau du sujet en utilisant une séquence pondérée en T1. Ce volume structural sera utilisé pour la reconstruction 3D.

Toute séquence de haute résolution peut être utilisée à cette fin. Ensuite, utilisez une séquence EPI pondérée en T2* pour acquérir l'imagerie fonctionnelle. Pendant le paradigme de tâche, veillez à positionner les coupes de manière à inclure les zones cérébrales d'intérêt.

En général, les paramètres de balayage du cortex préfrontal, du cortex pariétal et des ganglions de la base doivent être optimisés pour le scanner spécifique en utilisant un TR de deux secondes et des voxels de trois sur trois sur trois millimètres. Après le balayage, récupérez les données comportementales à partir de l'ordinateur qui a enregistré l'appui sur le bouton par le sujet. Réponses aux pressions.

Ensuite, laissez le sujet sélectionner aléatoirement un ou plusieurs essais pour le paiement. Cela peut être fait en demandant au sujet de tirer un jeton numéroté d'un sac opaque contenant des jetons portant tous les numéros d'essai. Pour chaque essai sélectionné, montrez au sujet l'option présentée et le choix qu'il a effectué lors de cet essai.

Ensuite, demandez au sujet de tirer un jeton du sac choisi lors de cet essai et rémunérez-le en fonction de la couleur tirée et du montant indiqué lors de l'essai. Pour analyser les données comportementales, utilisez le maximum de vraisemblance afin d'ajuster les données de choix de chaque sujet à une fonction logistique, comme indiqué. Ici, PV représente la probabilité que le sujet ait choisi la loterie variable.

SV₆ et SVᵥ sont les valeurs subjectives des options fixe et variable respectivement, et γ est la pente de la fonction logistique, qui constitue un paramètre propre à chaque sujet. Une approche alternative consiste à utiliser une distribution probante pour modéliser la valeur subjective de chaque option. Pour chaque sujet, utiliser un modèle qui prend en compte le montant, la probabilité et le niveau d'ambiguïté de l'option, ainsi que les attitudes du sujet individuel face au risque et à l'ambiguïté. Nous avons choisi d'utiliser une fonction puissance incluant un effet linéaire de l'ambiguïté sur la probabilité perçue.

L'une des plusieurs approches alternatives consiste à inclure l'ambiguïté comme un effet exponentiel, en ajustant les données de choix à l'aide de la fonction de choix, afin d'obtenir des estimations de l'attitude face au risque (alpha) et de l'attitude face à l'ambiguïté (beta) pour chaque sujet. Effectuez d'abord un prétraitement standard des données fonctionnelles, incluant la correction de coupe, d'acquisition et de temps, la correction des mouvements, ainsi que la suppression des basses fréquences liées au bruit physiologique et aux dérives de l'appareil d'imagerie. Ensuite, effectuez la coregistration des données fonctionnelles de chaque sujet avec les données anatomiques. Pour l'analyse au niveau individuel, utilisez une fonction de réponse hémodynamique standard et modélisez l'activité de chaque voxel comme une réponse soutenue durant toute la durée de l'essai. Utilisez un modèle linéaire général avec deux prédicteurs de la valeur subjective, l'un pour les essais risqués et l'autre pour les essais ambigus.

Utilisez les paramètres spécifiques à chaque sujet obtenus à partir de l'ajustement comportemental pour calculer la valeur subjective de chaque loterie. Incluez également deux prédicteurs factices, l'un pour les essais risqués et l'autre pour les essais ambigus. Pour tenir compte des activations générales telles que les activations visuelles et motrices, le test de significativité doit prendre en compte les comparaisons multiples effectuées ici.

La taille minimale du groupe a été limitée à six voxels fonctionnels contigus. D'autres méthodes, telles que le taux de faux découvert, peuvent également être utilisées. Rechercher les voxels dans lesquels les coefficients de la valeur subjective en situation de risque et/ou d'ambiguïté sont significatifs.

Ici, nous observons les résultats comportementaux de trois sujets représentatifs. Chaque panneau présente les données de choix et les résultats d'ajustement du modèle pour un sujet donné, selon qu'il se trouve en situation de risque ou d'ambiguïté. Les graphiques illustrent la proportion d'essais lors desquels le sujet a choisi la loterie variable en fonction du montant, séparément pour chaque niveau de probabilité ou d'ambiguïté.

Comme on peut le constater, les sujets peuvent varier fortement dans leurs attitudes face au risque et à l'ambiguïté. Ici, nous observons les résultats d'imagerie pour un sujet ; les voxels mis en évidence sont ceux dans lesquels le coefficient du prédicteur de la valeur subjective en situation d'ambiguïté ou de risque était significativement différent de zéro. Chez ce sujet représentatif, une corrélation significative a été observée dans le cortex préfrontal médian et le striatum dans les deux conditions.

Ces zones sont les plus constantes entre les sujets, mais des corrélations significatives peuvent également être observées dans les régions du cortex pariétal médial et latéral ainsi que dans l'amygdale. Cette technique permet aux chercheurs en neuroéconomie d'explorer les modifications des attitudes face au risque et à l'ambiguïté, ainsi que leurs corrélats neuronaux dans différentes populations et dans divers contextes. Après avoir visionné cette vidéo, vous devriez bien comprendre comment mesurer les attitudes face au risque et à l'ambiguïté, et comment les utiliser pour analyser les données IRMf obtenues pendant que les participants prenaient des décisions.