Mapeo d basado en semillas

El mapeo diferencial basado en semillas (anteriormente mapeo diferencial con signo ) o SDM es una técnica estadística creada por Joaquim Radua para meta-analizar estudios sobre diferencias en la actividad o estructura cerebral que utilizan técnicas de neuroimagen como fMRI , VBM , DTI o PET . También puede referirse a un software específico creado por el Proyecto SDM para llevar a cabo dichos meta-análisis.

El SDM adoptó y combinó varias características positivas de métodos anteriores, como ALE o MKDA, e introdujo una serie de mejoras y características novedosas. ^[1] Una de las nuevas características, introducida para evitar hallazgos positivos y negativos en el mismo vóxel como se veía en métodos anteriores, fue la representación tanto de diferencias positivas como de diferencias negativas en el mismo mapa, obteniendo así un mapa diferencial con signo (SDM). Otra característica relevante, introducida en la versión 2.11, fue el uso de tamaños del efecto (que dio lugar al SDM de tamaño del efecto o 'ES-SDM'), que permite la combinación de coordenadas de pico informadas con mapas paramétricos estadísticos, lo que permite metanálisis más exhaustivos y precisos. ^[2]

El método consta de tres pasos. En primer lugar, se seleccionan las coordenadas de los picos de los grupos (por ejemplo, los vóxeles en los que las diferencias entre los pacientes y los controles sanos fueron mayores) y los mapas estadísticos, si están disponibles, de acuerdo con los criterios de inclusión de SDM. En segundo lugar, se utilizan las coordenadas para recrear los mapas estadísticos y los mapas de tamaño del efecto y sus varianzas se derivan de las estadísticas t (o equivalentemente de los valores p o las puntuaciones z ). Por último, se metaanalizan los mapas de cada estudio utilizando diferentes pruebas para complementar el resultado principal con análisis de sensibilidad y heterogeneidad . ^{[ cita requerida ]}

No es raro en los estudios de neuroimagen que algunas regiones (por ejemplo, regiones de interés a priori) tengan umbrales más liberales que el resto del cerebro . Sin embargo, un metanálisis de estudios con tales diferencias regionales intraestudio en los umbrales estaría sesgado hacia estas regiones, ya que es más probable que se informen simplemente porque los autores aplican umbrales más liberales en ellas. Para superar este problema, SDM introdujo un criterio en la selección de las coordenadas: si bien diferentes estudios pueden emplear umbrales diferentes, debe asegurarse de que se haya utilizado el mismo umbral en todo el cerebro dentro de cada estudio incluido. ^[1]

Después de la conversión de mapas paramétricos estadísticos y coordenadas de pico al espacio de Talairach , se crea un mapa SDM para cada estudio dentro de una plantilla específica de materia gris o blanca. ^[3] El preprocesamiento de mapas paramétricos estadísticos es sencillo, mientras que el preprocesamiento de coordenadas de pico informadas requiere recrear los grupos de diferencia por medio de un núcleo gaussiano no normalizado , de modo que los vóxeles más cercanos a la coordenada del pico tengan valores más altos. Se utiliza un ancho completo a la mitad del máximo (FWHM) bastante grande de 20 mm para tener en cuenta diferentes fuentes de error espacial, por ejemplo , desajuste de corregistro en los estudios, el tamaño del grupo o la ubicación del pico dentro del grupo. Dentro de un estudio, los valores obtenidos por núcleos gaussianos cercanos se suman, aunque los valores se combinan mediante un promedio ponderado por distancia al cuadrado. ^[2]

SDM proporciona varios análisis estadísticos diferentes para complementar el resultado principal con análisis de sensibilidad y heterogeneidad .

• El principal análisis estadístico es el análisis de medias , que consiste en calcular la media de los valores de los vóxeles en los diferentes estudios. Esta media se pondera por la inversa de la varianza y tiene en cuenta la heterogeneidad entre estudios (mapas QH). ^[2]
• Los análisis de subgrupos son análisis de medias aplicados a grupos de estudios para permitir el estudio de la heterogeneidad .
• Los análisis de modelos lineales (por ejemplo, metarregresión) son una generalización del análisis de medias para permitir comparaciones entre grupos y el estudio de posibles factores de confusión . ^[4] Una baja variabilidad del regresor es crítica en las metarregresiones, por lo que se recomienda entenderlas como exploratorias y tener un umbral más conservador. ^[1]
• El análisis Jack-knife consiste en repetir una prueba tantas veces como estudios se hayan incluido, descartando un estudio diferente cada vez, es decir, eliminar un estudio y repetir los análisis, luego volver a colocar ese estudio y eliminar otro estudio y repetir el análisis, y así sucesivamente. La idea es que si una región cerebral significativa sigue siendo significativa en todas o la mayoría de las combinaciones de estudios, se puede concluir que este hallazgo es altamente replicable. ^[1]

La significación estadística de los análisis se comprueba mediante pruebas de aleatorización estándar . Se recomienda utilizar valores p no corregidos = 0,005, ya que se ha descubierto que esta significación en este método es aproximadamente equivalente a un valor p corregido = 0,05. ^[2] Se ha descubierto que una tasa de descubrimiento falso (FDR) = 0,05 en este método es demasiado conservadora. Los valores en una etiqueta o coordenada de Talairach también se pueden extraer para su posterior procesamiento o presentación gráfica. ^{[ cita requerida ]}

SDM es un software escrito por el proyecto SDM para ayudar al metaanálisis de datos de neuroimagen basados ​​en vóxeles . Se distribuye como software gratuito e incluye una interfaz gráfica y una consola de menú/línea de comandos. También se puede integrar como una extensión de SPM . ^{[ cita requerida ]}

• Software y documentación SDM del Proyecto SDM.