Afwijkende functionele connectiviteit in rusttoestandnetwerken van ADHD-patiënten onthuld door onafhankelijke componentenanalys

Afwijkende functionele connectiviteit in rusttoestandnetwerken van ADHD-patiënten onthuld door onafhankelijke componentenanalys

september 19, 2020 0 Door admin

Translating…


CBD Olie kan helpen bij ADHD. Lees hoe op MHBioShop.com


Huile de CBD peut aider avec TDAH. Visite HuileCBD.be


 

Abstract

Background

ADHD is one of the most common psychiatric disorders in children and adolescents. Altered functional connectivity has been associated with ADHD symptoms. This study aimed to investigate abnormal changes in the functional connectivity of resting-state brain networks (RSNs) among adolescent patients with different subtypes of ADHD.

Methods

The data were obtained from the ADHD-200 Global Competition, including fMRI data from 88 ADHD patients (56 patients of ADHD-Combined, ADHD-C and 32 patients of ADHD-Inattentive, ADHD-I) and 67 typically developing controls (TD-C). Group ICA was utilized to research aberrant brain functional connectivity within the different subtypes of ADHD.

Results

In comparison with the TD-C group, the ADHD-C group showed clusters of decreased functional connectivity in the left inferior occipital gyrus (p = 0.0041) and right superior occipital gyrus (p = 0.0011) of the dorsal attention network (DAN), supplementary motor area (p = 0.0036) of the executive control network (ECN), left supramarginal gyrus (p = 0.0081) of the salience network (SN), middle temporal gyrus (p = 0.0041), and superior medial frontal gyrus (p = 0.0055) of the default mode network (DMN), while the ADHD-I group showed decreased functional connectivity in the right superior parietal gyrus (p = 0.0017) of the DAN and left middle temporal gyrus (p = 0.0105) of the DMN. In comparison with the ADHD-I group, the ADHD-C group showed decreased functional connectivity in the superior temporal gyrus (p = 0.0062) of the AN, inferior temporal gyrus (p = 0.0016) of the DAN, and the dorsolateral superior frontal gyrus (p = 0.0082) of the DMN. All the clusters surviving at p 

Conclusion

The results suggested that decreased functional connectivity within the DMN and DAN was responsible, at least in part, for the symptom of inattention in ADHD-I patients. Similarly, we believed that the impaired functional connectivity within networks may contribute to the manifestations of ADHD-C patients, including inattention, hyperactivity/impulsivity, and unconscious movements.

Background

Attention-deficit/hyperactivity disorder (ADHD) has emerged as a common contributor to neuro developmental disorders as well as frequent psychological and behavioral problems among children [1]. The global prevalence of ADHD is about 5.29%. According to the previous studies, any variation in the prevalence estimates can be attributed to the methodological characteristics of different studies instead of discrepancies in the actual distribution of ADHD [2]. There are a great number of adolescent ADHD patients in the world; thus, management and treatment of ADHD patients is very important. ADHD is mainly characterized by symptoms of inattention, impulsivity, and hyperactivity. Diagnosis of ADHD is mainly depended on the levels of symptoms listed in DSM-IV [3] and is usually conducted by parents or teachers, which is subjective. Typically, ADHD can be categorized into three subtypes: hyperactive-impulsivity (ADHD-HI), persistent inattention (ADHD-I), and a combination of both (ADHD-C) [4, 5]. This disorder is often accompanied by learning difficulties or conduct disorders [6, 7], which can greatly affect the interpersonal skills and academic performance of the patients. Many studies have pointed out that the subjective diagnoses make it difficult to draw a line between the normal level and the level of ADHD symptoms that need treatment [8]. Thus, studies on objective diagnosis of ADHD are of great significance, and research on ADHD has become a major topic of interest in medicine and psychology in recent years.

In previous studies, resting-state functional MRI (rs-fMRI) was widely used to examine the brain of ADHD patients [9, 10]. In rs-fMRI studies of brain function, abnormalities were found in the prefrontal cortex, anterior cingulate cortex, putamen, temporal cortex, and cerebellum [11, 12]. rs-fMRI has become a research hotspot that is being increasingly used to achieve obvious results in many fields, such as neuroscience, spiritual science, biological science, and statistics, and it has been shown to be helpful for the diagnosis and treatment of ADHD [13, 14]. A growing body of literature shows that communication abnormalities among and within neural networks may underlie ADHD [15]. rs-fMRI can effectively identify such network abnormalities, and it is unconstrained by limitations yet reliable for this purpose. In rs-fMRI experiments, subjects are awake and are asked to simply rest while lying in the MRI scanner, so brain activity can be considered “spontaneous” rather than stimulus- or task-driven. As previously mentioned, most researchers focused on the default mode network (DMN), while less attention was paid to other brain networks or differences between the two types of ADHD. Therefore, we speculated that the auditory network (AN), dorsal attention network (DAN), executive control network (ECN), salience network (SN), and sensorimotor network (SMN) are also related to ADHD, and we compared the differences in the functional connectivity (FC) of six resting-state brain networks (RSNs) between two ADHD subtypes.

In the present study, group independent component analysis (ICA), a data-driven approach, was adopted to extract the components [16]. ICA is a widely used method for statistical analysis of fMRI data [17, 18]. Without any prior information, this method can effectively determine the functional characteristics of mutually correlated brain components [19]. We hope to identify the differences in these RSNs among patients with different subtypes of ADHD by comparing the FCs of the six RSNs among the three groups. We speculate that the symptoms of ADHD patients are related to abnormal FCs of these RSNs.

Materials and methods

Subjects

Public fMRI data were downloaded from the ADHD-200 Global Competition (http://fcon1000.projects.nitrc.org/indi/adhd200/index.html) and selected exclusively from the New York University (NYU) Child Study Center. In accordance with HIPAA guidelines and 1000 Functional Connectomes Project protocols, all datasets are anonymous, with no protected health information included. For both ADHD and TD subjects, the inclusion criteria were as follows: age of 7–17 years, no history of neurological disease, and no diagnosis of either schizophrenia or affective disorder, an image covering at least 95% of the brain, an IQ score > 80, and head movement less than 2.0. Subjects were enrolled if they were right-handed and their information was complete (e.g., age, Verbal IQ, or Performance IQ). Finally, fMRI data from a total of 155 volunteers aged between 7 and 17 years were collected, including 67 typically developing controls (TD-C), 56 ADHD-C patients, and 32 ADHD-I patients (the number of ADHD-HI patients was too small to be studied). IBM SPSS software (Armonk, NY, v. 22.0) was used for statistical analysis. One-way analysis of variance was performed with age, ADHD index, verbal IQ, performance IQ, and Full IQ, and the Chi squared test was used to evaluate the differences in gender among the three groups. A p value of 1. The symptoms of ADHD were assessed using the Conners Parent Rating Scale-Revised, Long version (CPRS-LV) [20].

Table 1 Demographic characteristics of the samples

The fMRI data were acquired using a single-shot echo-planar imaging (GRE-EPI) sequence with the following imaging parameters: repetition time (TR) = 2000 ms; echo time (TE) = 15 ms; flip angle (FA) = 90°; FOV reading = 240 mm; slice thickness = 4 mm; number of slices = 33; and voxel size = 3 × 3 × 4 mm3, time points = 176, and acquisition matrix = 80 × 80.

Data preprocessing

The original fMRI data were preprocessed using a public toolbox named DPABI (for Data Processing & Analysis of Brain Imagin g, http://rfmri.org/dpabi ). De voorbewerkingsstappen waren als volgt: (1) verwijder de eerste 10 volumes om er zeker van te zijn dat het BOLD-signaal stabiel was; (2) plak timing, corrigeer het verschil als gevolg van acquisitietijden tussen plakjes in het volume; (3) correctie van de hoofdbeweging; (4) normalisatie, registreer de gegevens in de EPI-standaardsjabloon en resamplen naar 3,0 × 3,0 × 3,0 mm 3 ; en (5) ruimtelijke afvlakking met een 6 mm volledige breedte bij half maximum (FWHM) Gaussiaanse kernel [ 21 ]. Proefpersonen met een hoofdbeweging van meer dan 2,0 mm werden uitgesloten.

ICA en bepaling van RSN’s

We gebruikten de ICA, een datagestuurde analysetechniek [ 22 ], om de RSN’s van de ADHD-patiënten en TD-C te identificeren. De ICA-benadering was toegepast op simulatiegegevens door de onderzoeksgroep van Dr. Calhoun [ 5 , 23 , 24 ]. In onze studie werd een ICA-groepsanalyse uitgevoerd om de gegevens op te splitsen in IC’s met behulp van de GIFT-toolbox (versie 4.0, https://trendscenter.org/software/gift/ ) voor alle onderwerpen, inclusief ADHD-patiënten en TD-C. Deze toolbox implementeert een schatting van de onafhankelijke componenten (IC’s) op aaneengeschakelde gegevens van onderwerpspecifieke ruimtelijke kaarten en tijdsverlopen over onderwerpen heen [ 25 ]. Ten eerste werd de principale componentanalyse gebruikt om de gegevensdimensionaliteit te verminderen. We gebruikten de criteria voor minimale beschrijvingslengte (MDL) om het aantal IC’s te definiëren, met een aanduiding van 20 IC’s voor onze functionele dataset, die voldoende is om de meest waargenomen grootschalige rusttoestandsnetwerken vast te leggen [ 26 ]. Het infomax-algoritme dat 20 keer werd herhaald in ICASSO, werd vervolgens gebruikt als een onafhankelijke componentschatting. De resulterende componenten werden geclusterd om de betrouwbaarheid van de ontleding te schatten. Ten slotte, de individuele tijdsverlopen en ruimtelijke kaarten werden gereconstrueerd met behulp van de groeps-ICA-back-reconstructiemethode.

De RSN-componenten werden vervolgens geselecteerd via een geautomatiseerd proces dat de componenten definieert die het meest overeenkomen met de RSN’s voor elk individueel onderwerp, op basis van ruimtelijke correlatieanalyses met de RSN-sjablonen. Alle sjablonen vertegenwoordigen regio’s die herhaaldelijk zijn betrokken bij de RSN’s.

Er waren zes RSN’s die van belang waren, namelijk de AN, DAN, DMN, ECN, SN en SMN. Alle RSN sjablonen zijn gemaakt met WFU_PickAtlas ( https://www.nitrc.org/projects/wfu_pickatlas/ ) in de SPM-toolbox gebaseerd op centroïde coördinaten en radii De component met de grootste correlatiecoëff icient werd geselecteerd als de RSN waarin we geïnteresseerd waren. In totaal werden zes componenten geïdentificeerd. Figuur 1 toont de sjablonen van de zes RSN’s en de geselecteerde overeenkomstige IC’s die de hoogste ruimtelijke correlatie hadden met de sjabloon. Om te verifiëren of de zes IC’s van elke groep nul waren, werd een t-test met één steekproef uitgevoerd en volgens de instellingen in de vorige studie [ 27 ], stellen we een drempelwaarde in van p 2 .

Fig. 1

De resultaten van ruimtelijke correlatie voor IC’s en sjablonen. R 2 verwijst naar de ruimtelijke correlatiecoëfficiënt tussen de IC’s en de sjablonen. AN: auditief netwerk; DAN: dorsaal aandachtsnetwerk; DMN: standaardmodusnetwerk; ECN: uitvoerende controlenetwerk; SMN: sensomotorisch netwerk; SN: salience network

Fig. 2

Zes componenten verkregen van alle proefpersonen en de bijbehorende rusttoestandnetwerken. Kleurenbalk geeft de t-waarde aan. AN: auditief netwerk. DAN: dorsaal aandachtsnetwerk. DMN: netwerk in standaardmodus. ECN: uitvoerende controlenetwerk. SMN: sensomotorisch netwerk. SN: salience netwerk

Statistische analyse

Op basis van het aantal originele onderwerpen, de geselecteerde IC’s (z-score waarde) werden heringedeeld in drie groepen. The Resting-State fMRI Data Analysis Toolkit plus V1.2 (RESTplus V1.2, http://restfmri.net/forum/RESTplusV1. 2 ) was de toolbox van onze keuze voor statistische analyse. Om na te gaan of de zes IC’s verschilden tussen de drie groepen, werd variantieanalyse (ANOVA) op IC’s (AlphaSim-correctie, p 10) waarbij het resultaat van ANOVA als een expliciet masker diende. Evenzo werden leeftijd en geslacht geëlimineerd als covariaten. Ten slotte werd een Spearman-correlatieanalyse uitgevoerd tussen de ADHD-index en de gemiddelde signalen van IC’s die we hebben afgebakend als ROI’s.

Resultaten

ANOVA vertoonde verschillen tussen de drie groepen

De ANOVA-resultaten voor alle IC’s worden getoond in Fig. 3 en Table 2 , wat de hersenen aangeeft regio’s waar er mogelijk verschillen zijn tussen de zes IC’s in de drie groepen proefpersonen. De gebieden afgebeeld in rood-geel getoond in Fig. 3 geven verschillen in RSN’s tussen de drie groepen aan. De F-waarden en p-waarden van de meest significante verschillen in elke RSN worden weergegeven in Tabel 2 . Zoals getoond in Fig. 3 , verschenen hersengebieden met significante verschillen in de superieure temporale gyrus van de AN, superieure pariëtale gyrus en occipitale lob van de DAN, middelste temporale gyrus en superieure mediale frontale gyrus van de DMN, aanvullend motorgebied van de ECN, precentrale gyrus van de SMN, evenals supramarginale gyrus van de SN.

Fig. 3

De resultaten van ANOVA. Kleurenbalk geeft de F-waarde aan; AN: auditief netwerk. DAN: dorsaal aandachtsnetwerk. DMN: netwerk in standaardmodus. ECN: uitvoerende controlenetwerk. SMN: sensomotorisch netwerk.SN: salience-netwerk

Tabel 2 Variantieanalyse voor alle IC’s

Vergelijkingen tussen groepen

De resultaten van de twee-steekproef t-test worden gepresenteerd in tabel 3 , waarin de verschillen tussen de groepen van 6 IC’s.

Tabel 3 Regio’s met veranderde functionele connectiviteit bij ADHD-patiënten

De verschillen tussen ADHD-C en TD-C

In vergelijking met de TD-C-groep vertoonde de ADHD-C-groep verminderde FC in de DAN, ECN, SN en DMN (getoond in Fig. 4 ). De clusters van zwakkere connectiviteit bevonden zich in de linker inferieure occipitale gyrus (p = 0,0041) en rechter superieure occipitale gyrus (p = 0,0011) van DAN, aanvullend motorgebied (p = 0,0036) van ECN, linker supramarginale gyrus (p = 0,0081) van SN, en middelste temporale gyrus (p = 0,0041) en superieure mediale frontale gyrus (p = 0,0055) van DMN, met de verschillen voor alle gebieden op p

Afb. 4

Het verschil tussen ADHD-C-patiënten en gezonde controles. Kleurenbalk geeft de t-waarde aan; Significante clusters worden weergegeven in rood-geel bij een drempelwaarde van p

De verschillen tussen ADHD-I en TD-C

Figuur 5 geeft aan dat ADHD-I-patiënten verminderde FC vertoonden in vergelijking met de TD-C-groep op een paar gebieden, namelijk de rechter superieure pariëtale gyrus (p = 0,0017) van DAN en de linker midden tijdelijke gyrus (p = 0,0105) van DMN. Daarentegen werd sterkere FC waargenomen binnen drie RSN’s, waaronder de supramarginale gyrus (p = 0,0027) van AN, de precentrale gyrus (p = 0,0024) van SMN en de mediale frontale gyrus (p = 0,0265) van DMN. P >

Fig. 5

De verschillen tussen ADHD-I-patiënten en gezonde controles. Kleurenbalk geeft de t-waarde aan; Significante clusters worden weergegeven in rood-geel bij een drempelwaarde van p

De verschillen tussen ADHD-C en ADHD-I

In vergelijking met de ADHD-I-groep vertoonde de ADHD-C-groep zwakkere FC, voornamelijk in de superieure temporale gyrus (p = 0,0062) van AN, inferieure temporale gyrus (p = 0,0016) van DAN, zoals evenals dorsolaterale superieure frontale gyrus (p = 0,0082) van DMN. Er werd echter een toename in de FC gevonden in de middelste temporale gyrus (p = 0,0051) van DMN, zoals geïllustreerd in Fig. 6 .

Afb. 6

Het verschil tussen ADHD-C-patiënten en ADHD-I-patiënten. Kleurenbalk geeft de t-waarde aan; Significante clusters worden afgebeeld in rood-geel bij een drempelwaarde van p

Correlatieanalyse

De bovenstaande resultaten hebben een significant gebied van FC-afwijkingen bij RSN’s bij ADHD-patiënten aangetoond. Er werd een Spearman-correlatieanalyse uitgevoerd tussen de ADHD-index en de gemiddelde signalen van IC’s die we afbakenen als ROI’s, om te verifiëren of de ADHD-indices van de twee groepen ADHD-patiënten geassocieerd waren met FC-afwijkingen. Alle correlatieanalyses werden uitgevoerd in de ADHD-C- en ADHD-I-groepen. Een omgekeerde relatie met de ADHD-index werd alleen gevonden voor het linker aanvullende motorische gebied van ECN in de ADHD-C-groep (r = – 0.267, p = 0.047). De resultaten lieten geen significant verschil zien (p> 0,05) na een meervoudige vergelijkingscorrectie.

Discussie

In deze studie werd groeps-ICA uitgevoerd en werden beide subtypes van ADHD-patiënten vertoonde verminderde FC’s in grote RSN’s in vergelijking met TD-C. We ontdekten dat de FC’s van de DAN, ECN, SN en DMN significant waren verminderd bij ADHD-C-patiënten, inclusief de rechter inferieure occipitale gyrus en de superieure occipitale gyrus van DAN, aanvullend motorgebied van ECN, linker supramarginale gyrus van SN, en middelste temporale gyrus en superieure mediale frontale gyrus van DMN.

Veel eerdere onderzoeken hebben abnormale functionele verbindingen aangetoond binnen het DMN van ADHD-patiënten, vooral de temporale kwab [ 25 , 28 , 29 ]. DMN is een veelgebruikt hersennetwerk in fMRI-onderzoeken en wordt beschouwd als geassocieerd met een breed scala aan neuropsychiatrische aandoeningen [ 30 ]. In onze studie vertoonden, in vergelijking met de TD-C-groep, beide subtypes van ADHD-patiënten verminderde FC in de occipitale lob van DAN en de middelste temporale gyrus van DMN. Echter, in de superior mediale frontale gyrus van DMN, de twee groepen presteerden omgekeerd. Hoewel werd aangenomen dat DMN- en DAN-activiteit tegengestelde trends vertoonden [ 31 , 32 ], Matthew L. Dixon toonde aan dat er geen anticorrelatie is tussen sommige subsystemen en DMN [ 33 ]. Dit zou onze bevindingen kunnen verklaren dat verminderde FC gelijktijdig optrad in DAN en DMN. We zagen ook verschillen in FC’s tussen de twee groepen van ADHD-subtypes. Patiënten met ADHD-C vertoonden meer verminderde FC, zoals als de inferieure temporale gyrus van DAN en superieure frontale gyrus van DMN. Slechts een deel van de middelste temporale gyrus van DMN heeft een verbeterde FC laten zien. Een verklaring voor het verschil kunnen de diverse klinische symptomen zijn tussen de twee subtypes van ADHD-patiënten. DMN toont een grotere activering tijdens perioden van stilte of in een rusttoestand [ 30 ]. DAN daarentegen wordt routinematig geactiveerd tijdens cognitieve taken die de aandacht vereisen [ 34 ]. Daarom speculeerden we dat abnormale veranderingen in FC die worden vertoond door DMN en DAN verband kunnen houden met het aandachtstekort bij ADHD-patiënten, wat is bewezen door enkele eerdere onderzoeken [ 35 , 36 ].

Bij het vergelijken van de ADHD-I met de TD-C-groep, vonden we een paar regio’s met verbeterde FC, zoals de supramarginale gyrus van AN en de precentrale gyrus van SMN. Eerdere studies hebben aangetoond dat patiënten met ADHD gevoeliger waren voor geluid, wat mogelijk verband houdt met de verbeterde FC in AN [ 5 ]. Jean-Arthur meldde dat ADHD-patiënten perceptuele overstroming hadden [ 37 ]. Voor zover wij weten, hebben maar weinig onderzoeken zich gericht op de veranderingen in AN en SMN, en in ons onderzoek werden weinig voxels in deze regio’s gevonden, die vanwege verschillen in steekproefomvang. Daarom hebben we geen aanvullende discussies over deze regio’s gegeven.

Daniel von Rhein onthulde dat SN een rol speelt bij supervisie en besluitvorming wanneer de hersenen externe stimuli verwerken [ 27 ]. De belangrijkste functies van de SN zijn het integreren van informatie uit verschillende modaliteiten, zoals sensorische informatie en lichamelijke toestanden, om doelgericht gedrag vast te stellen en emotiegerelateerde informatie te verwerken. Onze bevindingen die een verminderde FC van de SN bij ADHD-C-patiënten lieten zien, bevestigden de conclusies van Daniel von Rhein [ 27 ]. Bovendien is aangetoond dat het ECN deelneemt aan meerdere geavanceerde cognitieve taken en een belangrijke rol speelt bij adaptieve cognitieve controle [ 38 ]. De verminderde FC in ECN kan verklaren waarom ADHD-C-patiënten hun emoties niet beheersen en impulsieve agressie of andere gedragsstoornissen vertonen [ 39 , 40 ]. Twee subtypes van ADHD-patiënten verschillen ook in FC van ECN. In de ADHD-C-groep vertoonde de superieure frontale gyrus van ECN een zwakkere FC. We speculeren dat deze verandering kan verklaren waarom ADHD-C patiënten zijn meer hyperactief dan ADHD-I-patiënten.

Conclusies

Concluderend, groep ICA stond het gebruik toe van onderling gerelateerde analytische methoden voor het evalueren van FC’s van ADHD bij adolescenten in deze studie. We ontdekten dat deze belangrijke RSN’s in beide subtypen van ADHD-patiënten vertoonden FC-veranderingen in vergelijking met de TD-C-groep, en FC-verschillen werden ook waargenomen tussen de twee subtypes van ADHD-patiënten. Onze studie licht de abnormale veranderingen in de RSN’s van verschillende subtypes van adolescente ADHD-patiënten toe, wat kan bewijzen nuttig voor de behandeling van adolescente ADHD-patiënten.In de toekomst zullen studies met een multimodale beeldvormende benadering met behulp van technieken zoals structurele MRI, diffusion tensor imaging en fMRI, zullen nodig zijn om de hersenveranderingen bij adolescenten met ADHD uitgebreid te onderzoeken. Deze verdere studies zullen bijdragen aan het beheer en de behandeling van ADHD bij adolescenten.

Beperkingen

Een van de beperkingen van ons onderzoek was de afwezigheid van enige psychologische beoordeling van de cognitieve parameters die geassocieerd zijn met ADHD. Bovendien waren de deelnemersaantallen in de drie groepen aanzienlijk verschillend, wat waarschijnlijk een impact zou hebben op de resultaten van statistische analyse. Bovendien zijn de zes RSN-sjablonen gemaakt door WFU_PickAtlas in de SPM-toolbox-directory op basis van centroïde coördinaten en radii. De verschillen tussen onze sjablonen en de feitelijke anatomische RSN’s zouden ook de nauwkeurigheid van onze resultaten hebben beïnvloed.

Beschikbaarheid van data en materialen

De datasets die tijdens het huidige onderzoek zijn geanalyseerd, zijn beschikbaar in de [ADHD-200 Global Competition] -repository, het datagebruik is onbeperkt voor niet-commerciële onderzoeksdoeleinden. Volgens het INDI-protocol vereisen de datasets eenvoudig dat de gebruiker zich registreert bij het NITRC en 1000 Functional Connectomes Project om toegang te krijgen. [http://fcon_1000.projects.nitrc.org/indi/adhd200].

Afkortingen

ADHD:

Aandachtstekortstoornis met hyperactiviteit

ADHD-C:

ADHD-gecombineerd

ADHD-HI:

ADHD-hyperactieve-impulsiviteit

ADHD-I:

ADHD-onoplettend

AN:

Auditieve netwerk

DAN:

Dorsaal aandachtsnetwerk

DMN:

Netwerk in standaardmodus

DSM-IV:

De vierde editie van de Diagnostic and Statistical Manual of Mental Disorders

ECN:

Uitvoerend controlenetwerk

FA:

Draaihoek

FC:

Functionele connectiviteit

FOV:

Gezichtsveld

HIPAA:

Health Insurance Portability and Accountability Act

ICA:

Onafhankelijke componentanalyse

MRI:

Magnetische resonantiebeeldvorming

ROI:

Interessegebied

rs-fMRI:

Functionele MRI in rusttoestand

RSNs:

Hersennetwerken in rusttoestand

SMN:

Sensomotorisch netwerk

SN:

Salience-netwerk

TD-C:

Typisch ontwikkelende besturingselementen

TE:

Echotijd

TR:

Herhalingstijd

Referenties

  1. 2. span >

    Kobel M, Bechtel N, Specht K, Klarhöfer M, Weber P, Scheffler K, Opwis K, Penner IK. Structurele en functionele beeldvormende benaderingen bij aandachtstekortstoornis met hyperactiviteit: speelt de temporale kwab een sleutelrol? Psychiatry Res. 2010; 183 (3): 230-6. https://doi.org/10.1016/j.pscychresns.2010.03.010 (Epub 10 aug. 2010) .

    Artikel PubMed Google Scholar

  2. meta > 3.

    American Psychiatric Association. Diagnostische en statistische handleiding voor psychische stoornissen. 4e druk. Washington: American Psychiatric Press; 1994.

    Google Scholar

  3. 4.

    Smith SM, Fox PT, Miller KL, Glahn DC, Fox PM, et al. Overeenstemming van de functionele architectuur van de hersenen tijdens activering en rust. Proc Natl Acad Sci USA. 2009; 1060: 13040-5. https://doi.org/10.1073/pnas.0905267106 (Epub 20 juli 2009) .

    Artikel Google Scholar

  4. 5.

    Allen EA, Erhardt EB , Wei Y, Eichele T, Calhoun VD. Variabiliteit tussen proefpersonen vastleggen met groepsonafhankelijke componentanalyse van fMRI-gegevens: een simulatiestudie. Neuroimage. 2012; 59 (4): 4141-59. https://doi.org/10.1016/j.neuroimage.2011.10.010 .

    Artikel PubMed Google Scholar

  5. 6.

    Hoekzema E, Carmona S, Ramos-Quiroga JA, Richarte Fernández V, Bosch R, Soliva JC, Rovira M , Bulbena A, Tobeña A, Casas M, Vilarroya O. Een onafhankelijke componenten en functionele connectiviteitsanalyse van fMRI-gegevens in rusttoestand wijst op ontregeling van het neurale netwerk bij volwassen ADHD. Hum Brain Mapp. 2014; 35 (4): 1261-1272. https://doi.org/10.1002/hbm.22250 .

    Artikel PubMed Google Scholar

  6. 7.

    Fox MD, Snyder AZ, Vincent JL, Corbetta M, Van Essen DC, Raichle ME. Het menselijk brein is intrinsiek georganiseerd in dynamische, anticorrelatieve functionele netwerken. Proc Natl Acad Sci USA. 2005; 102: 9673–8.

    CAS Artikel Google Scholar

  7. 8.

    Dai D, Wang J, Hua J, He H. Classificatie van ADHD-kinderen door middel van multimodale magnetische resonantiebeeldvorming. Front Syst Neurosci. 2012; 6: 63. https://doi.org/10.3389/fnsys.2012.00063 .

    Artikel PubMed PubMed Central Google Scholar

  8. 9.

    Tang C, Wei Y, Zhao J, Nie J.Verschil ontwikkelingspatroon van hersenactiviteiten bij ADHD: een onderzoek naar fMRI in rusttoestand. Dev Neurosci. 2018; 40 (3): 246-57. https://doi.org/10.1159/000490289 .

    CAS Artikel PubMed Google Scholar

  9. 10.

    Bos DJ, Oranje B, Achterberg M, Vlaskamp C, Ambrosino S, de Reus MA, van den Heuvel MP, Rombouts SARB, Durston S. Structurele en functionele connectiviteit bij kinderen en adolescenten met en zonder aandachtstekortstoornis met hyperactiviteit. J Kinderpsychiatrie. 2017; 58 (7): 810-8. https://doi.org/10.1111/jcpp.12712 (Epub 10 maart 2017) .

    Artikel PubMed 11. Cao Q, Zang Y, Sun L, Sui M, Long X, Zou Q, Wang Y. Abnormale neurale activiteit bij kinderen met aandachtstekortstoornis met hyperactiviteit: een functionele magnetische resonantiebeeldvormingsstudie in rust . NeuroReport. 2006; 17: 1033-6. https://doi.org/10.1097/01.wnr.0000224769.92454.5d .

    Artikel PubMed Google Scholar

  10. 12.

    Tian L, Jiang T, Wang Y, Zang Y, He Y, Liang M, Sui M, Cao Q, Hu S, Peng M, Zhuo Y.Veranderde functionele connectiviteitspatronen in rusttoestand van anterieure cingulaire cortex bij adolescenten met aandachtstekortstoornis met hyperactiviteit. Neurosci Lett. 2006; 400: 39-43. https://doi.org/10.1016/j.neulet.2006.02.022 .

    CAS Artikel PubMed Google Scholar

  11. 13.

    Yoo JH, Kim D, Choi J, Jeong B. Behandelingseffect van methylfenidaat op intrinsiek functioneel hersennetwerk bij medicatie-naïeve ADHD-kinderen: een multivariate analyse. Brain Imag Behav. 2018; 12 (2): 518-31. https://doi.org/10.1007/s11682-017-9713-z.

    Artikel Google Scholar

  12. 14.

    Silk TJ, Malpas C, Vance A, Bellgrove MA. Het effect van methylfenidaat met een enkele dosis op de functionele netwerkconnectiviteit in rusttoestand bij ADHD. Brain Imag Behav. 2017; 11 (5): 1422-1431. https://doi.org/10.1007/s11682-016-9620-8 .

    Artikel Google Scholar

  13. 15.

    Shafritz KM, Marchione KE, Gore JC, Shaywitz SE, Shaywitz BA. De effecten van methylfenidaat op neurale aandachtssystemen bij aandachtstekortstoornis met hyperactiviteit. Ben J Psychiatry. 2004; 161: 1990–7.

    Artikel Google Scholar

  14. 16.

    Beckmann CF, De Luca M, Devlin JT, Smith SM. Onderzoek naar connectiviteit in rusttoestand met behulp van onafhankelijke componentenanalyse. Philos Trans R Soc Londen. 2005; 360 (1457): 1001–13.

    Artikel Google Scholar

  15. 17.

    von Rhein D, Beckmann CF, Franke B, Oosterlaan J, Heslenfeld DJ, Hoekstra PJ, Hartman CA, Luman M, Faraone SV, Cools R, Buitelaar JK, Mennes M. Beoordeling op netwerkniveau van beloningsgerelateerde activering bij patiënten met ADHD en gezonde personen. Hum Brain Mapp. 2017; 38 (5): 2359-69. https://doi.org/10.1002/hbm.23522 (Epub 8 februari 2017) .

    Artikel Google Scholar

  16. 18.

    Fox MD, Raichle ME. Spontane fluctuaties in hersenactiviteit waargenomen met functionele magnetische resonantiebeeldvorming. Nat Rev Neurosci. 2007; 8 (9): 700-11.

    CAS Artikel Google Scholar

  17. 19.

    van de Ven VG, Formisano E, Prvulovic D, Roeder CH, Linden DE. Functionele connectiviteit zoals onthuld door ruimtelijk onafhankelijke componentanalyse van fMRI-metingen tijdens rust. Hum Brain Mapp. 2004; 22 (3): 165–78.

    Artikel Google Scholar

  18. 20.

    Conners CK, Sitarenios G , Parker JDA, Epstein JN. De herziene beoordelingsschaal voor ouders van conners (CPRS-R): factorstructuur, betrouwbaarheid en criteriumvaliditeit. J Abnormale kinderpsychol. 1998; 26 (4): 257–68.

    CAS Artikel Google Scholar

  19. 21.

    Miao S, Han J. Verminderde activering van de prefrontale cortex bij kinderen met aandachtstekortstoornis / hyperactiviteit tijdens het / no-go taak: een functionele nabij-infrarood spectroscopie studie. Front Neurosci. 2017; 11: 367. https://doi.org/10.3389/fnins.2017.00367 .

    Artikel PubMed PubMed Central Google Scholar

  20. 22.

    Elton A, Alcauter S, Gao W. Profiel voor afwijkende netwerkconnectiviteit ondersteunt een categorische- dimensionaal hybride model van ADHD. Hum Brain Mapp. 2014; 35 (9): 4531-43. https://doi.org/10.1002/hbm.22492 .

    Artikel PubMed PubMed Central Google Scholar

  21. 23.

    Calhoun VD, Adali T, Pearlson GD, Pekar JJ. Een methode om groepsconferenties te maken op basis van functionele MRI-gegevens met behulp van onafhankelijke componentenanalyse. Hum Brain Mapp. 2001; 14 (3): 140–51.

    CAS Artikel Google Scholar

  22. 24.

    Erhardt EB, Rachakonda S, Bedrick EJ, Allen EA, Adali T, Calhoun VD. Vergelijking van ICA-methoden met meerdere proefpersonen voor analyse van fMRI-gegevens. Hum Brain Mapp. 2011; 32 (12): 2075–95. https://doi.org/10.1002/hbm.21170 (Epub 15 december 2010) .

    Artikel PubMed Google Scholar

  23. 25. Dixon ML, Andrews-Hanna JR, Spreng RN, Irving ZC, Mills C, Girn M, Christoff K. Interacties tussen het standaardnetwerk en het dorsale aandachtsnetwerk variëren per standaardsubsysteem, tijd en cognitief staten. Neuroimage. 2017; 147: 632–49.

    Artikel Google Scholar

  24. 26.

    Mueller A, Candrian G , Kropotov JD, Ponomarev VA, Baschera GM. Classificatie van ADHD-patiënten op basis van onafhankelijke ERP-componenten met behulp van een machine learning-systeem. Nonlinear Biomed Phys. 2010; 4 (suppl 1): S1. https://doi.org/10.1186/1753-4631-4-s1-s1 .

    Artikel PubMed PubMed Central Google Scholar

  25. 27.

    Valera EM, Faraone SV, Murray KE, Seidman LJ. Meta-analyse van structurele beeldvormingsbevindingen bij aandachtstekortstoornis met hyperactiviteit. Biol Psychiatry. 2007; 610: 1361–9.

    Artikel Google Scholar

  26. 28.

    De Martino F, Gentile F, Esposito F, Balsi M, Di Salle F, Goebel R, et al. Classificatie van fMRI-onafhankelijke componenten met behulp van IC-vingerafdrukken en ondersteuning van vectormachineclassificatoren. NeuroImage. 2007; 34 (1): 177-94. https://doi.org/10.1016/j.neuroimage.2006.08.041 .

    Artikel PubMed Google Scholar

  27. 29.

    Mohan A, Roberto AJ, Mohan A, Lorenzo A, Jones K, Carney MJ, Liogier-Weyback L, Hwang S, Lapidus KA . Focus: het verouderende brein: de betekenis van het default mode netwerk (DMN) bij neurologische en neuropsychiatrische aandoeningen: een overzicht. Yale J. Biol Med. 2016; 89 (1): 49.

    PubMed PubMed Central Google Scholar

  28. 30.

    Micoulaud-Franchi JA , Vaillant F, Lopez R, Peri P, Baillif A, Brandejsky L, Steffen ML, Boyer L, Richieri R, Cermolacce M, Bioulac S, Aramaki M, Philip P, Lancon C, Vion-Dury J. Sensory gating bij volwassenen met aandachtstekortstoornis / hyperactiviteitsstoornis: door gebeurtenis opgewekt potentieel en perceptuele ervaring rapporteert vergelijkingen met schizofrenie. Biol Psychol. 2015; 107: 16-23. https://doi.org/10.1016/j.biopsycho.2015.03.002 .

    Artikel PubMed Google Scholar

  29. 31.

    Chen Z, Calhoun V.Effect van ruimtelijke afvlakking op taak-fMRI ICA en functionele connectiviteit. Front Neurosci. 2018; 12:15. https://doi.org/10.3389/fnins.2018.00015 .

    Artikel Google Scholar

  30. 32.

    Lingam R, Jongmans MJ, Ellis M, Hunt LP, Golding J, Emond A. Mentale gezondheidsproblemen bij kinderen met ontwikkelingscoördinatiestoornis. Kindergeneeskunde. 2012; 129: e882–91. https://doi.org/10.1542/peds.2011-1556 .

    Artikel PubMed Google Scholar

  31. 33.

    Hart H, Radua J, Nakao T, Mataix-Cols D, Rubia K.Meta-analyse van functionele magnetische resonantiebeeldvormingsstudies van remming en aandacht bij aandachtstekortstoornis / hyperactiviteitsstoornis: onderzoek van taakspecifieke, stimulerende medicatie en leeftijdseffecten. JAMA Psychiatrie. 2013; 70 (2): 185-98. https://doi.org/10.1001/jamapsychiatry.2013.277 .

    Artikel PubMed Google Scholar

  32. 34.

    Shehzad Z, Kelly AC, Reiss PT, Gee DG, Gotimer K, Uddin LQ, Lee SH, Margulies DS, Roy AK , Biswal BB. Het rustende brein: ongedwongen maar betrouwbaar. Cereb Cortex. 2009; 19: 2209-29. https://doi.org/10.1093/cercor/bhn256 .

    Artikel PubMed PubMed Central Google Scholar

  33. 35.

    Pelletier MF, Hodgetts HM, Lafleur MF, Vincent A, Tremblay S. Kwetsbaarheid voor het irrelevante geluidseffect bij volwassen ADHD. J Atten Disord. 2016; 20 (4): 306-16. https://doi.org/10.1177/1087054713492563 .

    Artikel PubMed Google Scholar

  34. 36.

    Risk BB, Matteson DS , Rsuperiort D, Eloyan A, Caffo BS. Een evaluatie van onafhankelijke componentanalyses met een toepassing op fMRI in rusttoestand. Biometrie. 2014; 70 (1): 224-36. https://doi.org/10.1111/biom.12111 .

    Artikel PubMed Google Scholar

  35. 37.

    Kelly AM, Uddin LQ, Biswal BB, Castellanos FX, Milham MP. Concurrentie tussen functionele hersennetwerken bemiddelt gedragsvariabiliteit. NeuroImage. 2008; 39: 527–37.

    Artikel Google Scholar

  36. 38.

    Rubia K. Cognitieve neurowetenschap van Attention Deficit Hyperactivity Disorder (ADHD) en de klinische vertaling ervan. Front Hum Neurosci. 2018; 12: 100. https://doi.org/10.3389/fnhum.2018.00100 .

    Artikel PubMed PubMed Central Google Scholar

  37. 39.

    Sidlauskaite J, Sonuga-Barke E, Roeyers H, Wiersema JR. Standaardmodus netwerkafwijkingen tijdens het wisselen van status bij aandachtstekortstoornis / hyperactiviteitsstoornis. Psychol Med. 2016; 46 (3): 519-28. https://doi.org/10.1017/S0033291715002019 .

    CAS Artikel PubMed Google Scholar

  38. 40.

    Smith M. Hyperactief over de hele wereld? de geschiedenis van ADHD in mondiaal perspectief. Soc Hist Med. 2017; 30 (4): 767-87. https://doi.org/10.1093/shm/hkw127 .

    Artikel PubMed PubMed Central Google Scholar

Download referenties

div >

Dankbetuigingen

We danken het ADHD-200 Consortium en de ADHD-200 Global Competition-organisatoren voor hun werk en het royaal delen van hun gegevens.

Financiering

Deze studie werd ondersteund door subsidies van het National Key Research and Development Program (2016YFC0103400) en J. Qiu werd ondersteund door het Taishan Scholars Program van de provincie Shandong (TS201712065). Dit werk werd ook ondersteund door het academische promotieprogramma van Shandong First Medical University nr. 2019QL009. De financiers hadden geen rol bij het ontwerp van de studie, de gegevensanalyse, de beslissing tot publicatie of de voorbereiding van het manuscript.

Auteursinformatie

Auteursnotities

  1. Huayu Zhang, Yue Zhao hebben in gelijke mate bijgedragen aan dit werk

Affiliations

  1. Shandong University of Science and Technology, nr. 579, Qianwan ‘gang Road, Qingdao, 266590, Shandong, China

    Huayu Zhang, Yue Zhao & Hongyu Li

  2. Medical Engineering and Technology Research Center, Shandong First Medical University en Shandong Academy of Medical Sciences, Taian, 271016, China

    Yue Zhao, Weifang Cao, Dong Cui, Qing Jiao, Weizhao Lu en Jianfeng Qiu

  3. Afdeling radiologie, Shandong Eerste medische universum ity & Shandong Academie voor Medische Wetenschappen, Taian, 271016, China

    Weifang Cao, Dong Cui, Qing Jiao, Weizhao Lu en Jianfeng Qiu

Contributions

HYZ en YZ leverden een belangrijke bijdrage aan het schrijven van het manuscript. HYL en JFQ bedachten en ontwierpen de experimenten. WFC, DC, QJ en WZL speelden een belangrijke rol bij data-analyse. Alle auteurs hebben het uiteindelijke manuscript gelezen en goedgekeurd.

Corresponderende auteurs

Correspondentie met Hongyu Li of Jianfeng Qiu .

Ethische verklaringen

Ethische goedkeuring en toestemming voor deelname

In overeenstemming met de HIPAA-richtlijnen en 1000 Functional Connectomes Project-protocollen zijn alle datasets anoniem, zonder beschermde gezondheidsinformatie.

Toestemming voor publicatie

Niet van toepassing.

Concurrerende belangen

De auteurs verklaren dat ze geen concurrerende belangen hebben.

Aanvullende informatie

Noot van de uitgever

Springer Nature blijft neutraal met betrekking tot claims inzake jurisdictie in gepubliceerde kaarten en institutionele relaties.

Over dit artikel

img> div>

Citeer dit artikel h3>

Zhang, H., Zhao, Y., Cao, W. et al. Afwijkende functionele connectiviteit in rusttoestandnetwerken van ADHD-patiënten onthuld door onafhankelijke componentanalyse. BMC Neurosci 21, 39 (2020). https://doi.org/10.1186/s12868-020-00589-x

Citatie downloaden a >

Trefwoorden

  • fMRI span>
  • RSN’s
  • ADHD
  • Functionele connectiviteit
  • ICA

CBD Olie kan helpen bij ADHD. Lees hoe op MHBioShop.com a >

Huile de CBD helpt bij TDAH. Bezoek HuileCBD.be h3 >

Lees meer