Misurare il valore soggettivo di opzioni rischiose e ambigui utilizzando Economia Sperimentale e funzionali metodi MRI

L'obiettivo generale del seguente esperimento è esaminare la codifica neurale del valore soggettivo di opzioni rischiose e ambigue mediante risonanza magnetica funzionale. Questo viene ottenuto acquisendo immagini mentre i partecipanti effettuano scelte tra lotterie rischiose e ambigue, che variano per importo, probabilità e livello di ambiguità. Le scelte effettuate da ciascun partecipante vengono quindi utilizzate per stimare la sua attitudine verso il rischio e l'ambiguità, che a loro volta vengono impiegate per valutare in che modo rischio e ambiguità influenzano la valutazione delle lotterie da parte dei partecipanti.

Successivamente, queste stime vengono utilizzate come regressori in un modello lineare generale al fine di identificare le aree cerebrali in cui l'attività è correlata al valore soggettivo di lotterie rischiose e/o ambigue. I risultati mostrano una correlazione con i valori soggettivi di opzioni sia rischiose che ambigue in regioni sovrapposte della corteccia prefrontale mediale e dello striato. Il vantaggio principale di questa tecnica rispetto ad altri metodi che confrontano l'attività generale in relazione a lotterie rischiose e ambigue consiste nel fatto che il comportamento individuale di ogni partecipante viene utilizzato nell'analisi dell'attivazione cerebrale.

Questo metodo può aiutare a rispondere a domande fondamentali nel campo della neuroeconomia, come ad esempio come il valore viene rappresentato nel cervello e come viene utilizzato per prendere decisioni. Il primo passo di questo protocollo consiste nel progettare gli stimoli visivi che rappresentano scelte rischiose e ambigue da presentare durante la scansione; utilizzare immagini come quelle mostrate qui per rappresentare buste contenenti gettoni da poker, chiamati "sacchetti della lotteria" negli stimoli per lotterie rischiose, in cui la probabilità di vincita corrisponde al rapporto tra gettoni rossi e blu, illustrata sia mediante uno stimolo grafico sia con numeri. In questo caso, le aree rosse e blu di ciascuna immagine sono proporzionali al numero di gettoni rossi e blu.

In una busta reale, si raccomanda un minimo di tre probabilità di esito per lotterie ambigue. Una parte dell'informazione relativa alla probabilità deve essere omessa, in modo che il rapporto possibile tra gettoni rossi e blu sia limitato ma non specificato. Ciò rende la probabilità di vincita parzialmente ambigua.

L'aumento della dimensione dell'occlusione incrementa il livello di ambiguità. Si raccomanda di utilizzare almeno tre livelli di occlusione, presentando ciascuna probabilità di vincita o livello di ambiguità con l'importo del risultato visualizzato accanto al colore vincente e zero accanto all'altro colore. In questo caso, estrarre una fiche rossa comporterebbe una vincita di 18, mentre estrarre una fiche blu porterebbe a un risultato nullo. Cinque.

Si consiglia di utilizzare livelli di ricompensa che coprano un'ampia gamma di importi in ogni prova. Il soggetto dovrà scegliere tra due lotterie. Tuttavia, per semplicità, una delle opzioni può essere mantenuta costante per tutta la durata dell'esperimento e non visualizzata, mentre viene modificata soltanto l'opzione mostrata.

Ogni combinazione di livello di probabilità o ambiguità e importo deve essere presentata almeno quattro volte per garantire un'adeguata potenza statistica. Nelle analisi, impostare il paradigma come un disegno ad eventi lenti, in modo che ogni lotteria venga presentata come stimolo per due secondi, seguita da un periodo di attesa di sei secondi per consentire la risposta neurovascolare. Successivamente, la risposta deve essere fornita entro uno o due secondi.

Utilizzare un'immagine semplice come breve riscontro per indicare che la risposta è stata registrata e separare le prove con periodi di riposo di almeno 10 secondi. Inoltre, preparare sacchetti o buste fisici corrispondenti a ciascuna immagine di lotteria utilizzata nell'esperimento.

Inserire in ogni busta un totale di 100 gettoni rossi e blu, con proporzioni corrispondenti alla probabilità di estrarre un gettone di ciascun colore dalla rispettiva borsa mostrata nel display. Queste buste devono essere mostrate ai soggetti prima dell'inizio della prova, poiché verranno utilizzate successivamente per giocare estrazioni casuali finalizzate al pagamento. Remunerare i soggetti in base alle loro scelte durante l'esperimento è fondamentale per incentivare l'espressione delle loro effettive preferenze.

L'utilizzo di sacchetti fisici contenenti gettoni reali per giocare alle lotterie garantisce al soggetto che le probabilità di esito siano effettivamente quelle dichiarate prima della scansione. In primo luogo, chiedere al soggetto di compilare un modulo di consenso informato e un questionario di screening per la risonanza magnetica. Successivamente, accertarsi che il soggetto rimuova tutti gli oggetti metallici per garantire la sicurezza nell'ambiente dello scanner.

Successivamente, fornire al soggetto istruzioni dettagliate riguardo all'esperimento e al compito. Assicurarsi che il soggetto comprenda come vengono comunicate probabilità e quantità in ciascuna immagine, ma non rivelare alcuna informazione che potrebbe influenzare le scelte. Una scatola di risposta con due pulsanti verrà utilizzata all'interno dello scanner per registrare le scelte del soggetto.

Inoltre, spiegare il meccanismo di pagamento in modo che il soggetto comprenda che il pagamento verrà effettuato in base alle scelte compiute. Sigillare i sacchetti preparati in precedenza e far firmare al soggetto il proprio nome attraverso il sigillo.

Spiegare che ciò permetterà di verificare alla fine dell'esperimento che il contenuto dei sacchetti non sia stato modificato, poiché al soggetto sarà consentito guardare all'interno dei sacchetti per accertarsi che corrispondano al livello dichiarato di probabilità o ambiguità. Utilizzando uno scanner MRI da tre Tesla, acquisire innanzitutto un'immagine ad alta risoluzione del cervello del soggetto mediante una sequenza pesata in T1. Questo volume strutturale verrà utilizzato per la ricostruzione 3D.

Per questo scopo può essere utilizzata qualsiasi sequenza ad alta risoluzione. Successivamente, utilizzare una sequenza EPI pesata in T2* per acquisire l'immagine funzionale. Durante il paradigma della task, assicurarsi di posizionare le slice in modo da includere le aree cerebrali di interesse.

Di solito, i parametri di scansione per la corteccia prefrontale, la corteccia parietale e i gangli della base devono essere ottimizzati per lo specifico scanner utilizzando un TR di due secondi e voxel di tre per tre per tre millimetri. Dopo la scansione, recuperare i dati comportamentali dal computer che ha registrato la pressione dei pulsanti da parte del soggetto.

Quindi permettere al soggetto di selezionare casualmente uno o alcuni tentativi per il pagamento. Questo può essere fatto facendo estrarre al soggetto una fiche numerata da un sacchetto opaco che contiene fiches con tutti i numeri dei tentativi. Per ciascun tentativo selezionato, mostrare al soggetto l'opzione presentata e la scelta che ha effettuato in quel tentativo.

Chiedere quindi al soggetto di estrarre un gettone dal sacchetto scelto in quella prova e pagarlo in base al colore estratto e all'importo indicato nella prova. Per analizzare i dati comportamentali, utilizzare la massima verosimiglianza per adattare i dati di scelta di ogni soggetto a una funzione logistica come mostrato. Qui, PV è la probabilità che il soggetto abbia scelto la lotteria variabile.

SV_sub_F e SV_sub_V sono i valori soggettivi delle opzioni fissa e variabile rispettivamente, e gamma è la pendenza della funzione logistica, un parametro specifico per ciascun soggetto. Un approccio alternativo consiste nell'utilizzare una distribuzione di probabilità per modellare il valore soggettivo di ciascuna opzione. Per ogni soggetto, si utilizzi un modello che tenga conto dell'importo, della probabilità e del livello di ambiguità dell'opzione, nonché delle attitudini individuali verso il rischio e l'ambiguità. Abbiamo scelto di utilizzare una funzione potenza che include un effetto lineare dell'ambiguità sulla probabilità percepita.

Uno degli approcci alternativi consiste nell'includere l'ambiguità come un effetto esponenziale, adattando i dati di scelta alla funzione di scelta, ottenendo così stime dell'atteggiamento verso il rischio, alfa, e dell'atteggiamento verso l'ambiguità, beta, per ogni soggetto. Inizialmente, eseguire una pre-elaborazione standard dei dati funzionali, inclusa la correzione per slice, scan e tempo, la correzione per movimento e la rimozione delle basse frequenze associate al rumore fisiologico e ai drift dello scanner. Successivamente, coregistrare i dati funzionali di ogni soggetto con i dati anatomici. Per l'analisi a livello individuale, utilizzare una funzione di risposta emodinamica standard e modellare l'attività di ogni voxel come una risposta sostenuta durante tutta la prova. Utilizzare un modello lineare generale con due predittori del valore soggettivo, uno per le prove rischiose e uno per quelle ambigue.

Utilizzare i parametri specifici per ogni soggetto derivati dall'adattamento comportamentale per calcolare il valore soggettivo di ogni lotteria. Includere anche due predittori fittizi, uno per le prove rischiose e uno per le prove ambigue. Per catturare attivazioni generali come quelle visive e motorie, il test di significatività deve tenere conto delle comparazioni multiple effettuate.

La dimensione minima del cluster è stata limitata a sei voxel funzionali contigui. Possono essere utilizzati anche altri metodi, come il tasso di scoperte false. Cercare voxel in cui i coefficienti del valore soggettivo in condizioni di rischio e/o ambiguità risultano significativi.

Qui osserviamo i risultati comportamentali di tre soggetti rappresentativi. Ciascun pannello presenta i dati sulle scelte e i risultati dell'adattamento del modello per un soggetto in condizioni di rischio o di ambiguità. I grafici mostrano la proporzione di prove in cui il soggetto ha scelto la lotteria variabile in funzione dell'importo, separatamente per ciascun livello di probabilità o di ambiguità.

Come si può osservare, i soggetti possono variare notevolmente nei loro atteggiamenti verso il rischio e l'ambiguità. Qui vengono mostrati i risultati di imaging per un soggetto: i voxel evidenziati sono quelli in cui il coefficiente del predittore del valore soggettivo in condizioni di ambiguità o rischio era significativamente diverso da zero. In questo soggetto rappresentativo, una correlazione significativa è stata riscontrata nella corteccia prefrontale mediale e nello striato in entrambe le condizioni.

Queste aree sono le più costanti tra i soggetti, ma correlazioni significative possono essere osservate anche in aree della corteccia parietale mediale e laterale, nonché nell'amigdala. Questa tecnica consente ai ricercatori nel campo della neuroeconomia di esplorare i cambiamenti nelle attitudini verso il rischio e l'ambiguità, e i loro correlati neurali in diverse popolazioni e in diversi contesti. Dopo aver visto questo video, si dovrebbe avere una buona comprensione di come rilevare le attitudini verso il rischio e l'ambiguità, e di come utilizzarle per analizzare i dati di fMRI ottenuti mentre i partecipanti prendevano decisioni.