Vi detaljeret hvordan man foretager en meta-analyse af voxel-baserede Neuro Imaging undersøgelser ved hjælp af Seed-baserede d kortlægning med permutation af emne billeder (SDM-PSI).
De fleste metoder til udførelse af meta-analyse af voxel-baserede Neuro Imaging undersøgelser ikke vurdere, om virkningerne ikke er null, men om der er en konvergens af toppe af Statistisk signifikans, og reducere vurderingen af beviserne til en binær klassifikation udelukkende baseret på p-værdier (dvs. at voxels kun kan være “statistisk signifikant” eller “ikke-statistisk signifikant”). Her, vi detaljer, hvordan man foretager en meta-analyse ved hjælp af Seed-baserede d mapping med permutation af emne billeder (SDM-PSI), en ny metode, der bruger en standard permutation test for at vurdere, om effekter ikke er null. Vi viser også, hvordan man graderer styrken af beviserne efter et sæt kriterier, der betragter en række statistiske signifikansniveauer (fra mere liberale til mere konservative), mængden af data eller påvisning af potentielle skævheder (f. eks. små studie effekter og overvægt af betydning). For at eksemplificere proceduren, vi detaljer ledning af en meta-analyse af voxel-baserede morfometri undersøgelser i obsessiv-kompulsiv lidelse, og vi giver alle de data, der allerede er udvundet fra manuskripter for at give læseren mulighed for at replikere meta-analyse Nemt. SDM-PSI kan også anvendes til metaanalyser af funktionel magnetisk resonansbilleddannelse, diffusions tensor Imaging, positions emissions tomografi og overflade baserede morphometriske studier.
Siden indførelsen af magnetisk resonans imaging, Neuro Imaging samfund har offentliggjort tusindvis af undersøgelser af neurale substrater af psykologiske funktioner og neuropsykiatriske lidelser. For at opsummere disse resultater, flere metoder er blevet udviklet1,2,3,4,5,6. Originale voxel-baserede Neuro Imaging-undersøgelser rapporterer koordinaterne for toppene af Statistisk signifikans (f. eks. i en sammenligning af gråt stof volumen mellem patienter og kontroller), og meta-analytiske metoder vurderer almindeligvis, om der er konvergens af toppe i visse hjerneområder.
Men vi har tidligere vist, at disse tests for konvergens af toppe er afhængige af sarte antagelser, der kan påvirke mønstre af meta-analyseresultater og deres statistiske betydning7. Specifikt, disse tests antager, at voxels er uafhængige, og at de har den samme sandsynlighed for en “falsk” peak, mens der i ægte grå stof, voxels korrelerer med deres naboer og sandsynligheden for, at en voxel har en “falsk” peak afhænger af dens væv sammensætning. Desuden omfatter de også paradokser som, at den statistiske effekt stiger i nærværelse af få sande virkninger, og falder, når der er flere sande virkninger.
For at overvinde disse problemer, udviklede vi en metode, der imputer hjernen kort over statistiske effekter for hver undersøgelse og derefter gennemfører en standard tilfældig-effekter meta-analyse til formelt at teste, om virkningerne er forskellige fra nul. Denne metode kaldes “Seed-baseret d mapping med permutation af emne billeder” (SDM-PSI)8 og dens vigtigste funktioner omfatter:
Vi har detaljeret og fuldt valideret SDM-metoderne andre steder4,8,10,13,14.
Derudover foreslår vi ikke at påberåbe sig en binær klassifikation af voxels baseret på niveauet af Statistisk signifikans (signifikant vs. ikke signifikant), men omvendt at vurdere styrken af beviserne ved hjælp af et sæt af kriterier22. Den binære statistiske signifikans reduktionisme fører til dårlig kontrol med falske positive og falske negative rater15, mens kriterierne bruger intervaller af statistisk signifikansniveauer og tager hensyn til mængden af data eller potentielle bias. Den SDM-PSI software returnerer de nødvendige elementer til at gennemføre en sådan klassifikation8 og dermed de kan anvendes til at give en mere granulær klassificering af styrken af beviserne.
Her viser vi hvordan man gennemfører en meta-analyse af voxel-baserede Neuro Imaging undersøgelser ved hjælp af SDM-PSI. For at eksemplificere protokollen, bruger vi data fra en offentliggjort meta-analyse af voxel-baserede morfometri undersøgelser, der undersøgte grå substans abnormiteter hos patienter med obsessiv-kompulsiv lidelse (OCD)4. Men vi vil ikke bruge de metoder, der anvendes i denne tidlige meta-analyse, men de førnævnte State-of-the-art procedurer. Læseren kan downloade softwaren og disse data fra vores hjemmeside (http://www.sdmproject.com/) for at replikere analysen.
Alle forskere, der har til formål at gennemføre en meta-analyse af voxel-baserede Neuroimaging undersøgelser kan følge denne protokol. Metoden kan anvendes med funktionel magnetisk resonans imaging (fMRI, fx, fed respons på en stimulus)16, voxel-baserede morfometri (vbm, f. eks. grålig volumen)17, diffusions-tensor Imaging (DTI, f. eks. fraktioneret Anisotropy)18, positions emissiontomografi (PET, f. eks. receptor belægning)19 og overflade baseret morphometri (SBM, f. eks. kortikal tykkelse) undersøgelser/datasæt.
Som indført tidligere, de fleste voxel-baserede meta-analytiske metoder bruger en test for konvergens af toppe, der har nogle begrænsninger, og derefter foretage en binær klassifikation af beviserne udelukkende baseret på p-værdier.
I denne protokol, vi detaljeret hvordan man foretager en voxel-baseret meta-analyse ved hjælp af SDM-PSI, som har en række positive egenskaber, herunder en standard permutation test for at vurdere den statistiske betydning af virkningerne. Derudover viser vi, hvordan styrken af beviserne kan sorteres ved hjælp af et sæt kriterier, der går ud over en binær klassifikation, der udelukkende er afhængig af et statistisk signifikansniveau.
For at lette replikationen af eksemplet meta-analyse, leverer vi de data, der allerede er udvundet fra manuskripterne fra en tidligere meta-analyse. Interessant, i manuskriptet af denne meta-analyse, beviserne “syntes” stærkere end de beviser, at vi fandt med de opdaterede metoder. Vi foreslår derfor, at usystematiske evalueringer af beviserne i tidligere voxel-baserede metaanalyser tages med forsigtighed.
Vi håber, at efter denne protokol, Neuro Imaging meta-analyser giver en rigere og mere granulat beskrivelse af beviserne for Neuro Imaging fund.
The authors have nothing to disclose.
Dette arbejde blev støttet af Miguel Servet Research Contract MS14/00041 og Research Project PI14/00292 fra planen Nacional de I + D + I 2013 – 2016, Instituto de Salud Carlos III-Subdirección general de Evaluación y Fomento de la Investigación, den europæiske fond for regional udvikling (FEDER) og af PFIS Predoktor Contract FI16/00311. Finansieringskilder havde ingen rolle i udformningen og gennemførelsen af undersøgelsen; indsamling, forvaltning, analyse og fortolkning af dataene forberedelse, gennemgang eller godkendelse af manuskriptet og beslutning om at indsende manuskriptet til offentliggørelse.