Summary
Detallamos cómo realizar un metaanálisis de estudios de neuroimagen basados en vóxeles utilizando la asignación d basada en semillas con permutación de imágenes de sujeto (SDM-PSI).
Abstract
La mayoría de los métodos para realizar metanálisis de estudios de neuroimagen basados en vóxeles no evalúan si los efectos no son nulos, sino si existe una convergencia de picos de significancia estadística, y reducen la evaluación de la evidencia a una clasificación binaria exclusivamente basados en valores p (es decir, los vóxeles sólo pueden ser "estadísticamente significativos" o "no estadísticamente significativos"). Aquí, detallamos cómo llevar a cabo un metaanálisis utilizando la asignación d basada en semillas con permutación de imágenes de sujeto (SDM-PSI), un método novedoso que utiliza una prueba de permutación estándar para evaluar si los efectos no son nulos. También mostramos cómo calificar la fuerza de la evidencia de acuerdo con un conjunto de criterios que considera una gama de niveles de significancia estadística (de más liberal a más conservador), la cantidad de datos o la detección de posibles sesgos (por ejemplo, efecto de estudio pequeño y exceso de significado). Para ejemplificar el procedimiento, detallamos la conducción de un metaanálisis de estudios de morfometría basados en vóxeles en el trastorno obsesivo compulsivo, y proporcionamos todos los datos ya extraídos de los manuscritos para permitir al lector replicar el metanálisis Fácilmente. SDM-PSI también se puede utilizar para metaanálisis de imágenes de resonancia magnética funcional, imágenes de tensores de difusión, tomografía de emisión de posición y estudios de morfometría basados en superficie.
Introduction
Desde la introducción de la resonancia magnética, la comunidad de neuroimagen ha publicado miles de estudios de los sustratos neuronales de las funciones psicológicas y los trastornos neuropsiquiátricos. Para resumir estos hallazgos, se han desarrollado varios métodos1,2,3,4,5,6. Los estudios de neuroimagen basados en vóxeles originales informan de las coordenadas de los picos de significancia estadística (por ejemplo, en una comparación del volumen de materia gris entre pacientes y controles), y los métodos metaanalíticos suelen evaluar si hay convergencia de picos en ciertas regiones cerebrales.
Sin embargo, hemos demostrado previamente que estas pruebas para la convergencia de picos se basan en suposiciones delicadas que podrían influir en los patrones de resultados del metanálisis y su significación estadística7. Específicamente, estas pruebas suponen que los vóxeles son independientes y que tienen la misma probabilidad de un pico "falso", mientras que en materia gris real, los vóxeles se correlacionan con sus vecinos y la probabilidad de que un voxel tenga un pico "falso" depende de su composición tisular. Además, también abarcan paradojas como que el poder estadístico aumenta en presencia de pocos efectos verdaderos, y disminuye cuando hay múltiples efectos verdaderos.
Para superar estos problemas, desarrollamos un método que imputa los mapas cerebrales de los efectos estadísticos para cada estudio y luego lleva a cabo un metaanálisis estándar de efectos aleatorios para probar formalmente si los efectos son diferentes de cero. Este método se denomina "Asignación d basada en semillas con permutación de imágenes de sujeto" (SDM-PSI)8 y sus características principales incluyen:
- Contabilizar tanto los aumentos como las disminuciones del resultado de los intereses (por ejemplo, la activación y la desactivación) de modo que los hallazgos contradictorios se cancelen entre sí4;
- Uso de estimaciones de tamaño de efecto con modelado de efectos aleatorios, lo que aumenta la fiabilidad y el rendimiento9;
- Posible inclusión simultánea de imágenes estadísticas 3D disponibles (es decir, mapas de valores de prueba t)10;
- Pruebas de permutación basadas en temas idénticas a las de la herramienta "aleatorizar" de FSL11;
- Uso de estadísticas de mejora de clúster libre de umbrales (TFCE)12.
Hemos detallado y validado completamente los métodos SDM en otros lugares4,8,10,13,14.
Además, sugerimos no basarse en una clasificación binaria de los vóxeles basada en el nivel de significancia estadística (significativo frente a no significativo) sino, por el contrario, evaluar la solidez de la evidencia utilizando un conjunto de criterios22. El reduccionismo de significancia estadística binaria conduce a un mal control de las tasas de falsos positivos y falsos negativos15, mientras que los criterios utilizan rangos de niveles de significancia estadística y tienen en cuenta la cantidad de datos o posibles sesgos. El software SDM-PSI devuelve los elementos necesarios para llevar a cabo dicha clasificación8 y, por lo tanto, pueden emplearse para permitir una clasificación más detallada de la fuerza de las pruebas.
Aquí mostramos cómo realizar un meta-análisis de estudios de neuroimagen basados en vóxeles utilizando SDM-PSI. Para ejemplificar el protocolo, utilizamos datos de un metanálisis publicado de estudios de morfometría basados en vóxeles que investigaron anomalías en la materia gris en pacientes con trastorno obsesivo compulsivo (TOC)4. Sin embargo, no utilizaremos los métodos empleados en ese metanálisis temprano, sino los procedimientos de vanguardia antes mencionados. El lector puede descargar el software y estos datos de nuestro sitio web(http://www.sdmproject.com/)para replicar el análisis.
Todos los investigadores que tienen como objetivo realizar un meta-análisis de estudios de neuroimagen basados en vóxeles pueden seguir este protocolo. El método se puede utilizar con imágenes de resonancia magnética funcional (fMRI, p. ej., BOLD response to a stimulus)16, morphometría basada en vóxeles (VBM, por ejemplo, volumen de materia gris)17, imágenes de tensores de difusión (DTI, por ejemplo, anisotropía fraccionaria)18, tomografía de emisión de posición (PET, por ejemplo, ocupación de receptores)19 y estudios de morfometría basada en superficie (SBM, por ejemplo, espesor cortical).
Protocol
1. Instalación de SDM-PSI
- Vaya a https://www.sdmproject.com/software/ descargar la versión de SDM-PSI para el sistema operativo del equipo como un archivo ZIP.
- Descomprima el archivo ZIP. Para evitar problemas, descomprima dentro de una carpeta local sin espacios en blanco en su ruta.
- Haga clic en el archivo SdmPsiGui para ejecutar la interfaz gráfica de SDM-PSI y cierre la ventana Acerca de la presentación que se abrirá automáticamente.
- Si SdmPsiGui no encuentra todas las rutas necesarias, se ofrecerá automáticamente para mostrar la ventana de preferencias. Pulse Sí.
- Si MRICron no está instalado en el equipo, vaya a https://www.nitrc.org/frs/?group_id=152 descargar la versión del sistema operativo del equipo como un archivo ZIP y descomprimir el archivo ZIP.
- En la pestaña Visor de cerebros de la ventana de preferencias, asegúrese de que Visor de cerebros esté establecido en MRICrony haga clic en el icono de carpeta situado junto al ejecutable del Visor de cerebros para encontrar el ejecutable DE MRICron.
- Asegúrese de que todas las rutas restantes de las diferentes pestañas tengan marcas azules, lo que indica que las rutas son correctas.
- En caso de que SdmPsiGui no haya mostrado automáticamente la ventana de preferencias, vaya al menú Herramientas y haga clic en Preferencias.
- En la pestaña Multithreading, especifique el número de subprocesos simultáneos que se utilizarán en los cálculos. Algunos cálculos SDM-PSI tardan mucho tiempo (de horas a días) y consumen una gran cantidad de memoria RAM (de cientos de megabytes a gigabytes). El uso de varios subprocesos (procesamiento paralelo) reduce sustancialmente el tiempo, pero aumenta la memoria utilizada.
- Cierre la ventana de preferencias y SdmPsiGui.
2. Plan de metaanálisis
- Especifique una pregunta precisa. Por ejemplo, "¿los pacientes con TOC tienen anomalías regionales en el volumen de materia gris?"
- Escribir criterios claros de inclusión que permitan una inclusión sistemática de los estudios. Por ejemplo, "todos los estudios que realizaron una comparación basada en vóxeles de todo el cerebro del volumen de materia gris entre individuos con TOC y controles saludables".
- Escribir criterios claros de exclusión que permitan una exclusión sistemática de aquellos estudios que no pueden o no deben incluirse por razones específicas. Por ejemplo, "estudios con menos de 10 pacientes, conjuntos de datos duplicados o estudios de los que no se puede recuperar la información requerida".
- Anote los datos que desea extraer de cada estudio. La siguiente lista incluye los datos recomendados (algunos de ellos no son estrictamente necesarios, pero su ausencia empobrecería el metaanálisis):
- Una identificación del estudio.
- Los tamaños de la muestra.
- El nivel de significancia estadística, que es el valor t, el valor z o el valor p utilizados en el estudio para determinar qué vóxóxeles fueron estadísticamente significativos.
- El software y el espacio estereotáctico. Consulte la Tabla 1 para obtener la lista de paquetes de software y espacios estereotácticos entendidos por SDM-PSI.
- Las coordenadas y la altura de los picos. La altura de un pico es su valor t o valor z, pero un valor p también es útil.
- Variables que se utilizarán para describir las muestras o para realizar análisis de subgrupos o metaregresiones.
- Para aumentar la calidad de la revisión, considere seguir las "Diez reglas simples para el metaanálisis de neuroimagen"20 y la lista de verificación PRISMA21.
- Para aumentar la transparencia de la revisión, considere la posibilidad de registrar el protocolo de antemano en una base de datos disponible al público como PROSPERO (https://www.crd.york.ac.uk/PROSPERO/).
3. Búsqueda exhaustiva
- Seleccione un conjunto de palabras clave que permitan encontrar cualquier estudio que pueda cumplir los criterios de inclusión. Por ejemplo, las palabras clave podrían ser "trastorno obsesivo-compulsivo" más "morfometría", "basada en vóxeles" o "voxelwise".
- Realizar la búsqueda en bases de datos como PubMed y Web of Science:
- Vaya al sitio web de la base de datos, por ejemplo, https://www.ncbi.nlm.nih.gov/pubmed/ para PubMed.
- Escriba la consulta de búsqueda. En el metaanálisis de ejemplo, la consulta podría ser "trastorno obsesivo-compulsivo" Y ("morfometría" O "basado en vóxeles" O "voxelwise"). En esta consulta, el operador "AND" significa que los estudios deben tener todas las palabras clave, el operador "OR" significa que los estudios deben tener al menos una de las palabras clave y los paréntesis indican el orden de estas operaciones lógicas. Por lo tanto, los estudios recuperados deben tener la palabra clave "trastorno obsesivo-compulsivo" y al menos una de las palabras clave "morfometría", "basado en vóxeles" o "voxelwise". Tenga en cuenta que otras estrategias son posibles.
- Aplique los criterios de inclusión/exclusión. Por ejemplo, a partir de los resultados proporcionados por las bases de datos, seleccione sólo los artículos que analizan las diferencias en el volumen de materia gris entre pacientes con trastorno obsesivo compulsivo y controles que realizan estudios de morfometría basados en vóxeles de todo el cerebro, y descarte estudios que incluyan a menos de 10 pacientes y estudios que vuelvan a analizar los datos publicados anteriormente.
- Para aumentar la exhaustividad de la búsqueda, considere la posibilidad de realizar una búsqueda manual sobre las obras a las que se hace referencia en los estudios seleccionados.
- Para maximizar la inclusión de estudios y evitar la incertidumbre en la recopilación de datos, considere ponerse en contacto con los autores correspondientes para solicitar cualquier dato que falte o no esté claro.
- Registrar el número de estudios recuperados y el número de estudios excluidos por cada razón. Considere la posibilidad de crear un diagrama de flujo PRISMA21 con estos números.
4. Recopilación de los datos
- Para cada estudio incluido, lea el manuscrito para encontrar los datos específicos que desea extraer.
- Guarde los datos de los estudios sistemáticamente, por ejemplo, escribiendo los datos en archivos de hoja de cálculo preformateados. Para minimizar los errores de escritura, considere la posibilidad de copiar y pegar los números de interés y comprobar dos veces los datos guardados.
- Cuando el nivel de significancia estadística no esté claro, considere seguir estas recomendaciones:
- Si el manuscrito informa de picos obtenidos utilizando dos niveles de significancia estadística de todo el cerebro, por ejemplo, valor p < 0,001 sin corrección para comparaciones múltiples (a partir de ahora, "umbral no corregido") y tasa de error en familia (FWER) < 0,05 (a partir de ahora " umbral corregido"), seleccione el umbral no corregido e incluya todos los picos obtenidos utilizando este umbral no corregido. La razón para preferir el umbral no corregido es que los estudios generalmente obtienen más picos aplicando un umbral no corregido, y el SDM estima los mapas con mayor precisión si tiene información de más picos.
- Si el manuscrito informa de los picos obtenidos utilizando un umbral no corregido para los aumentos y un umbral corregido para las disminuciones (o viceversa), seleccione el umbral no corregido, pero incluya solo los picos obtenidos utilizando el umbral corregido. Se trata de una aproximación conservadora porque podría descartar algunos picos obtenidos utilizando el umbral no corregido. Un ejemplo de esta situación podría ser cuando un manuscrito dice algo como "detectamos volúmenes de materia gris más grandes corregidos por FWER en algunas regiones, mientras que no detectamos un volumen de materia gris más pequeño en ninguna región, incluso usando un valor p no corregido < 0.001".
- Si los autores aplicaron estadísticas basadas en clústeres, utilice el umbral de altura de formación de clústeres. Se trata de una aproximación conservadora porque algunos vóxeles podrían haber tenido valores t superiores al umbral, pero los autores los descartaron porque sus clústeres no eran lo suficientemente grandes.
- Si el manuscrito no especifica un umbral, utilice un valor ligeramente menor que el valor t del pico más pequeño. La razón para utilizar este valor t es que si los autores hubieran aplicado este umbral de significancia estadística sin requerir un tamaño mínimo para los clústeres, habrían encontrado los mismos picos.
- Al registrar la información de pico, haga lo siguiente:
- Excluir picos obtenidos utilizando un umbral de significancia estadística que es más liberal que el umbral seleccionado para el resto del cerebro. Un ejemplo de esta situación es cuando los autores aplicaron umbrales más liberales o pequeñas correcciones de volumen a algunas regiones cerebrales a priori.
- Convierta los valores z y p en valores t. Haga clic en el botón Convertir picos en el software SDM-PSI para convertirlos fácilmente. Alternativamente, conviértalos en el mismo archivo de hoja de cálculo (p. ej., "T.INV(1-0.001,34)" para el valor p a 0,001 y 34 grados de libertad; los grados de libertad son la suma de los tamaños de muestra menos el número de parámetros, que en una comparación de dos muestras son dos más el número de covariables utilizados en la comparación original).
- Utilice valores t positivos para picos de aumento (por ejemplo, activación) y valores t negativos para picos de disminución (por ejemplo, desactivación). Consulte la Tabla 2 para obtener instrucciones sobre cómo decidir el signo de los valores t.
NOTA: Obtenemos información de los estudios "Heuvel" y "Soriano-Mas" después de la comunicación personal.
5. Introducción de datos en SDM-PSI
- Abra SdmPsiGui y cierre la ventana Acerca de la presentación (evite tener ninguna tecla presionada mientras la cierra).
- Haga clic en el botón Cambiar metaanálisis en la parte superior izquierda de la interfaz gráfica para seleccionar un directorio para el metaanálisis (cualquier nuevo directorio vacío de elección servirá).
- Haga clic en el botón Editor de tablas SDM para introducir información general de los estudios, incluida su identificación (columna "estudio"), sus tamaños de muestra (columnas "n1" y "n2"), el valor t que utilizaron como umbrales estadísticos (columna "t_thr"), y otras variables potenciales para realizar análisis de subgrupos o metaregresiones.
- Dentro del directorio seleccionado, cree un archivo de texto para cada estudio con las coordenadas y el valor t de cada pico:
- Abra un editor de texto para crear un archivo de texto denominado [la identificación del estudio] + "." + [el software] + "_" + [el espacio estereotáctico] + ".txt". Por ejemplo, para el estudio "Carmona" que se llevó a cabo con SPM e informa de las coordenadas en el espacio MNI, el nombre del archivo de texto debe ser "Carmona.spm_mni.txt". Si el estudio no tiene picos, el software y el espacio estereotáctico pueden ser reemplazados por "no_peaks".
- Escriba las coordenadas y el valor t de cada pico en una fila diferente. Por ejemplo, las primeras filas del archivo de texto "Carmona.spm_mni.txt" deben ser:
40,39,21,-5.14
53,27,21,-3.77
56,23,20,-3.63
6. Preprocesamiento
- Haga clic en el botón Preprocesamiento en la barra de menús izquierda, seleccione la modalidad de los estudios en el cuadro de lista con la etiqueta "Modalidad" y pulse OK. En el metaanálisis de ejemplo, la modalidad es "VBM – materia gris".
- Espere (algunos minutos) mientras que SDM-PSI calcula los mapas de los límites inferior y superior de los tamaños de efecto potenciales. SdmPsiGui mostrará cuatro barras de progreso que muestran el estado de la ejecución y el tiempo restante esperado para el proceso actual. Durante los cálculos, el color del círculo junto a "Estado de procesamiento" será amarillo y cambiará a verde si la ejecución finaliza correctamente, o a rojo si falla.
7. Análisis principal
- Haga clic en el botón Media en la barra de menús izquierda y pulse OK.
- Espere (algunos minutos) mientras SDM-PSI lleva a cabo la imputación múltiple y el metanálisis(Figura 1).
- Haga clic en el botón Umbral en la caja de herramientas del menú izquierdo, seleccione los valores p no corregidos del análisis principal ("MyTest_uncorrp" de forma predeterminada) y pulse OK. SDM-PSI abrirá automáticamente tanto MRICron para visualizar los resultados como una página web con un informe detallado de los mismos.
- Pulse el botón de corrección FWE en la caja de herramientas del menú izquierdo, seleccione el análisis principal en el cuadro de lista ("MyTest" de forma predeterminada) y pulse OK.
- Espere (algunas horas o incluso días) mientras SDM-PSI lleva a cabo la prueba de permutación.
- Haga clic en el botón Umbral en la caja de herramientas del menú izquierdo, seleccione la corrección TFCE del análisis principal ("MyTest_corrp_tfce" de forma predeterminada) y pulse OK. SDM-PSI abrirá automáticamente tanto MRICron para visualizar los resultados como una página web con un informe detallado de los mismos.
8. Heterogeneidad, sesgo de publicación y calificación
- Haga clic en el botón Extraer de la caja de herramientas del menú izquierdo, seleccione un pico del análisis principal ("MyTest_z_p_0.05000_10_neg_peak1" de forma predeterminada) y pulse OK. SDM-PSI abrirá automáticamente una página web con estadísticas de este pico. Anota la estadística de heterogeneidad I2.
- Haga clic en el botón Prueba de sesgo en la caja de herramientas del menú izquierdo, seleccione un pico del análisis principal ("MyTest_z_p_0.05000_10_neg_peak1" de forma predeterminada) y pulse OK. SDM-PSI abrirá automáticamente una página web con una gráfica de embudo y los resultados de una prueba para el efecto de estudio pequeño y una prueba de exceso de importancia. La primera prueba si hay asimetría en la gráfica del embudo (es decir, mayor tamaño del efecto en estudios pequeños), lo que podría indicar que los estudios pequeños solo se publican si encuentran grandes tamaños de efecto u otras fuentes de sesgo. Este último comprueba si el número de estudios con resultados estadísticamente significativos es mayor de lo esperado, lo que podría indicar que los estudios sólo se publican si encuentran resultados estadísticamente significativos u otras fuentes de sesgo.
- Pulse el botón Calificación de evidencia en la caja de herramientas superior, seleccione el análisis principal ("MyTest" de forma predeterminada) en el cuadro de lista y pulse OK. Después de unos segundos, SDM-PSI abrirá automáticamente MRICron para mostrar las clases de evidencia.
Representative Results
Como se muestra en el mapa abierto en MRICron al umbral del análisis principal(Figura 2, paso 7.6), los pacientes con TOC tenían un volumen de materia gris estadísticamente significativamente menor en la corteza frontal dorsal anterior cingulato/medial. La página web adjunta detalla que el clúster es moderadamente pequeño (143 vóxeles) y se encuentra principalmente en el área 32 de Brodmann, y que el pico del clúster está en MNI [2, 32, 32], tiene un valor z de -4,97 y un valor p corregido por FWER de 0,01.
En las páginas web obtenidas en los pasos 8.1 y 8.2, la estadística baja I2 (1,5%) indica una heterogeneidad muy pequeña, la gráfica del embudo no muestra asimetrías(Figura 3),y tanto la prueba para el efecto de estudio pequeño como la prueba de exceso de significancia son negativas. Sin embargo, la evidencia de menor volumen de materia gris en corteza cingulada anterior dorsal es moderadamente débil, como se muestra en el mapa abierto en MRICron al calificar evidencia, especialmente debido a la cantidad limitada de datos.
Cuando el análisis principal se filifificó utilizando un nivel de significancia estadística menos estricto (paso 7.3), los pacientes también mostraron un volumen de materia gris estadísticamente mayor en el estriado y el giso parietal superior (valores p no corregidos a 0.00006 y 0.0002 respectivamente), pero la evidencia de estas anomalías debe considerarse más débil.
Figura 1: Ventana principal de la interfaz gráfica de usuario SDP-PSI durante una ejecución media. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: Regiones de volumen de materia gris estadísticamente significativamente menor en pacientes con trastorno obsesivo compulsivo en comparación con los controles saludables coincidentes.
El cúmulo de significación estadística cubre 143 vóxeles, tiene su pico en MNI [2,32,32], e incluye principalmente cingulado dorsal anterior/corteza frontal medial, área de Brodmann 32. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3: Gráfica del embudo para el pico del cúmulo de volumen de materia gris estadísticamente significativamente menor en la corteza cingulada anterior dorsal. Haga clic aquí para ver una versión más grande de esta figura.
| Paquetes de software | Codificación en SDM |
| Asignación paramétrica estadística (SPM) | Spm |
| Biblioteca de software FMRIB (FSL) | Fsl |
| Otros paquetes | Otro |
| Espacio estereotáctico | Codificación en SDM |
| Instituto Neurológico de Montreal (MNI) | Mni |
| Talairach crudo | tal |
| MNI convertido a Talairach usando brett transformar | Brett |
Tabla 1: Lista de paquetes de software y espacios estereotácticos entendidos por SDM-PSI.
| Los valores t deben ser positivos cuando: | Los valores t deben ser negativos cuando: | |
| Estudios de fMRI de una muestra | Tarea > Línea de base (activación) | tarea < línea de base (desactivación) |
| Estudios de fMRI de dos muestras | pacientes > controles en la tarea > línea de base (hiperactivación) | pacientes < controles en la tarea > línea de base (hipoactiva) |
| pacientes < controles en la tarea < línea de base (fallo de desactivación) | pacientes > controles en la tarea < línea de base (hiperdesactivación) | |
| Estudios VBM / FA de dos muestras | pacientes > controles (mayor volumen / FA) | pacientes < controles (volumen más pequeño / FA) |
Tabla 2: Signo de los valores t de los picos.
Discussion
Como se introdujo anteriormente, la mayoría de los métodos metaanalíticos basados en vóxeles utilizan una prueba para la convergencia de picos que tiene algunas limitaciones, y luego llevan a cabo una clasificación binaria de la evidencia basada exclusivamente en valores p.
En este protocolo, detallamos cómo llevar a cabo un metanálisis basado en vóxeles utilizando SDM-PSI, que tiene una serie de características positivas, incluyendo una prueba de permutación estándar para evaluar la significancia estadística de los efectos. Además, mostramos cómo la fuerza de la evidencia se puede calificar utilizando un conjunto de criterios que van más allá de una clasificación binaria que se basa únicamente en un nivel de significancia estadística.
Para facilitar la replicación del metaanálisis de ejemplo, proporcionamos los datos ya extraídos de los manuscritos de un metaanálisis anterior. Curiosamente, en el manuscrito de ese metanálisis, la evidencia "parecía" más fuerte que la evidencia que encontramos con los métodos actualizados. Por lo tanto, sugerimos que se tomen con precaución evaluaciones no sistemáticas de las pruebas en metaanálisis anteriores basados en vóxeles.
Esperamos que siguiendo este protocolo, los metaanálisis de neuroimagen proporcionen una descripción más rica y granulada de la evidencia de hallazgos de neuroimagen.
Disclosures
Los autores no tienen nada que divulgar.
Acknowledgments
Este trabajo fue apoyado por el Contrato de Investigación Miguel Servet MS14/00041 y el Proyecto de Investigación PI14/00292 del Plan Nacional de I+D+i 2013-2016, el Instituto de Salud Carlos III-Subdirección General de Evaluación y Fomento de la Investigación, el Fondo Europeo de Desarrollo Regional (FEDER) y por el Contrato Predoctoral FI16/00311 de PFIS. Los funderos no tuvieron ningún papel en el diseño y la conducción del estudio; recopilación, gestión, análisis e interpretación de los datos; preparación, revisión o aprobación del manuscrito; y la decisión de enviar el manuscrito para su publicación.
Materials
| Name | Company | Catalog Number | Comments |
| Computer | 32- or 64-bit Windows, 64-bit Mac OSX, or 64-bit Linux |
References
- Turkeltaub, P. E., Eden, G. F., Jones, K. M., Zeffiro, T. A. Meta-analysis of the functional neuroanatomy of single-word reading: method and validation. Neuroimage. 16 (3 Pt 1), 765-780 (2002).
- Laird, A. R., et al. ALE meta-analysis: controlling the false discovery rate and performing statistical contrasts. Human Brain Mapping. 25 (1), 155-164 (2005).
- Wager, T. D., Lindquist, M., Kaplan, L. Meta-analysis of functional neuroimaging data: current and future directions. Social Cognitive and Affective Neuroscience. 2 (2), 150-158 (2007).
- Radua, J., Mataix-Cols, D. Voxel-wise meta-analysis of grey matter changes in obsessive-compulsive disorder. British Journal of Psychiatry. 195 (5), 393-402 (2009).
- Eickhoff, S. B., et al. Coordinate-based activation likelihood estimation meta-analysis of neuroimaging data: a random-effects approach based on empirical estimates of spatial uncertainty. Human Brain Mapping. 30 (9), 2907-2926 (2009).
- Eickhoff, S. B., Bzdok, D., Laird, A. R., Kurth, F., Fox, P. T. Activation likelihood estimation meta-analysis revisited. Neuroimage. 59 (3), 2349-2361 (2012).
- Albajes-Eizagirre, A., Radua, J. What do results from coordinate-based meta-analyses tell us? Neuroimage. 176, 550-553 (2018).
- Albajes-Eizagirre, A., Solanes, A., Vieta, E., Radua, J. Voxel-based meta-analysis via permutation of subject images (PSI): Theory and implementation for SDM. Neuroimage. 186, 174-184 (2018).
- Bossier, H., et al. The Influence of Study-Level Inference Models and Study Set Size on Coordinate-Based fMRI Meta-Analyses. Frontiers in Neuroscience. 11, 745 (2017).
- Radua, J., et al. A new meta-analytic method for neuroimaging studies that combines reported peak coordinates and statistical parametric maps. European Psychiatry. 27 (8), 605-611 (2012).
- Winkler, A. M., Ridgway, G. R., Webster, M. A., Smith, S. M., Nichols, T. E. Permutation inference for the general linear model. Neuroimage. 92, 381-397 (2014).
- Smith, S. M., Nichols, T. E. Threshold-free cluster enhancement: addressing problems of smoothing, threshold dependence and localisation in cluster inference. Neuroimage. 44 (1), 83-98 (2009).
- Radua, J., et al. Anisotropic kernels for coordinate-based meta-analyses of neuroimaging studies. Frontiers in Psychiatry. 5, 13 (2014).
- Albajes-Eizagirre, A., Solanes, A., Radua, J. Meta-analysis of non-statistically significant unreported effects. Statistical Methods in Medical Research. 962280218811349, (2018).
- Durnez, J., Moerkerke, B., Nichols, T. E. Post-hoc power estimation for topological inference in fMRI. Neuroimage. 84, 45-64 (2014).
- Fullana, M. A., et al. Fear extinction in the human brain: A meta-analysis of fMRI studies in healthy participants. Neuroscience & Biobehavioral Reviews. 88, 16-25 (2018).
- Wise, T., et al. Common and distinct patterns of grey-matter volume alteration in major depression and bipolar disorder: evidence from voxel-based meta-analysis. Molecular Psychiatry. 22 (10), 1455-1463 (2017).
- Radua, J., et al. Multimodal voxel-based meta-analysis of white matter abnormalities in obsessive-compulsive disorder. Neuropsychopharmacology. 39 (7), 1547-1557 (2014).
- He, W., et al. Meta-analytic comparison between PIB-PET and FDG-PET results in Alzheimer's disease and MCI. Cell Biochemistry and Biophysics. 71 (1), 17-26 (2015).
- Muller, V. I., et al. Ten simple rules for neuroimaging meta-analysis. Neuroscience & Biobehavioral Reviews. 84, 151-161 (2018).
- Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., Group, P. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. British Medical Journal. 339, b2535 (2009).
- Radua, J., et al. What causes psychosis? An umbrella review of risk and protective factors. World Psychiatry. 17, 49-66 (2018).
