Fonti neurali dissociabili legate alla paura e al disagio di diversi costrutti di paura

La paura del dolore dimostra un significativo valore prognostico per quanto riguarda lo sviluppo di dolore muscolo-scheletrico persistente e disabilità. La sua valutazione si basa spesso su misure di autovalutazione della paura correlata al dolore da parte di una varietà di questionari. Tuttavia, in base a “paura del movimento / (ri) lesione / kinesiofobia”, “paura di evitare le credenze” o “ansia del dolore”, la paura correlata al dolore costruisce plausibilmente diverse mentre non è chiaro quanto siano specifici i questionari nel valutare questi diversi costruisce. Inoltre, la relazione tra la paura correlata al dolore e altre misure di ansia come lo stato o l’ansia di tratto rimane ambigua. I progressi nelle neuroimmagini come l’apprendimento automatico sui pattern di attività cerebrale registrati mediante la risonanza magnetica funzionale potrebbero aiutare a sezionare i punti in comune o le differenze tra i costrutti della paura correlati al dolore. Abbiamo applicato un approccio di regressione del pattern in 20 pazienti umani con lombalgia cronica non specifica per rivelare relazioni predittive tra informazioni sul pattern neurale correlate alla paura e diversi questionari di paura correlati al dolore. Più specificamente, l’approccio di apprendimento multiplo applicato ha permesso alla generazione di modelli di predire i punteggi del questionario sulla base di una gerarchia di schemi neurali correlati alla paura indotti visualizzando video di attività potenzialmente dannose per la schiena. Abbiamo cercato di trovare prove a favore o contro la sovrapposizione di costrutti di paura correlati al dolore confrontando i modelli di previsione del questionario in base alle loro capacità predittive e ai relativi contributori neurali. Dimostrando prove di predittori neurali non sovrapposti all’interno delle regioni di elaborazione della paura, i risultati sono alla base della diversità dei costrutti della paura legati al dolore. Questo approccio neuroscientifico potrebbe infine aiutare a comprendere e sezionare ulteriormente i costrutti di paura legati al dolore psicologico.

La paura correlata al dolore, spesso valutata attraverso auto-report come questionari, ha mostrato valore prognostico e utilità clinica per una varietà di disturbi del dolore muscoloscheletrico. Tuttavia, rimane difficile determinare un comune sottostante costrutto di paura correlata al dolore a causa di diversi costrutti proposti tra i questionari. L’attuale studio descrive un nuovo approccio neuroscientifico che utilizza l’apprendimento automatico di pattern neurali all’interno del circuito della paura di pazienti con lombalgia cronica che ha il potenziale di identificare le comunanze neurali o le differenze tra i vari costrutti. In definitiva, questo approccio potrebbe consentire una comprensione più profonda dei costrutti suggeriti e potrebbe anche essere applicato ad altri domini in cui esiste l’ambiguità tra diversi costrutti psicologici.

Introduzione

Le misurazioni self-report degli stati emotivi sono fondamentali per la neuroscienza comportamentale, consentendo la comprensione dei modelli di risposta del cervello ( Shrout et al., 2018 ). Tuttavia, la validità delle autovalutazioni è limitata ( Choi e Pak, 2005 ), probabilmente anche perché vengono valutati i costrutti psicologici spesso sovrapposti, illustrati dal fatto che vari questionari tentano di valutare i costrutti correlati. Un esempio è la paura correlata al dolore (PRF), che è una delle principali variabili esplicative della disabilità nei pazienti con dolore muscolo-scheletrico persistente ( Crombez et al., 1999 ; Vlaeyen e Linton, 2000 ; Vlaeyen et al., 2016). Per la valutazione del PRF esistono vari questionari basati su costrutti potenzialmente diversi come la paura del movimento / lesione e il risveglio / la kinesiofobia, le credenze per evitare la paura o l’ansia del dolore. C’è un dibattito aperto su ciò che i loro punteggi riflettono sullo spettro paura-ansia ( Lundberg et al., 2011 ; Caneiro et al., 2017 ). La paura rappresenta una reazione a una minaccia imminente, preparando l’individuo a “lotta-fuga-congelamento”, mentre l’ansia è descritta come più diffusa (ad esempio, le cognizioni su una minaccia futura: LeDoux e Pine, 2016 ; Kreddig e Hasenbring, 2017 ) . Mentre i questionari della PRF non distinguono chiaramente tra queste emozioni ( Lundberg et al., 2011 ;Kreddig e Hasenbring, 2017 ), la ricerca sul cervello fornisce prove per una differenziazione funzionale della paura e dell’ansia. Entrambe le emozioni sono controllate dal circuito della paura ( Tovote et al., 2015 ); tuttavia, le regioni sottocorticali (ad esempio l’amigdala) sembrano essere maggiormente coinvolte nelle reazioni di paura rapida e difensiva (breve distanza difensiva dalla minaccia) mentre le regioni corticali (ad es. la corteccia prefrontale) hanno maggiori probabilità di essere responsabili delle cognizioni complesse dell’ansia ( ampia distanza difensiva dalla minaccia: McNaughton e Corr, 2004 ; Qi et al., 2018). Pertanto, i progressi nella neuroimaging consentono di esplorare i contributi sottocorticali / corticali ai costrutti di PRF esaminando le interrelazioni tra stati emotivi auto-riportati e schemi di risposta cerebrale. In particolare, le tecniche di machine learning come l’analisi multivariata del pattern (MVPA) applicata ai dati di risonanza magnetica funzionale (fMRI) consentono di studiare direttamente la relazione predittiva tra uno stato cognitivo o emotivo selettivo del contenuto (espresso come etichetta) e il multivoxel corrispondente modelli di attività fMRI ( Haynes, 2015 ; Hebart e Baker, 2017 ). L’etichetta può avere valori discreti (classificazione) o continui (regressione) come i punteggi del questionario ( Formisano et al., 2008). Le attività di contrazione della schiena (cioè, piegamento e sollevamento) sono i movimenti più temuti e che provocano dolore tra le persone con lombalgia (LBP), sulla base di valutazioni di nocività percepita o risposte fisiologiche ( Leeuw et al., 2007a ; Glombiewski et al ., 2015 ; Stevens et al., 2016 ; Caneiro et al., 2017 ). Come tale, la flessione e il sollevamento, sia attivi che passivi (ad esempio attraverso le immagini) sono stati frequentemente usati per provocare PRF ( Leeuw et al., 2007c , Trost et al., 2009 ; Barke et al., 2016 ; Caneiro et al. , 2017). Pertanto, abbiamo provocato PRF presentando video clip di attività quotidiane tra cui flessione e sollevamento (condizione dannosa) e attività innocue come camminare (condizione innocua) in un campione di 20 pazienti con LBP cronico non specifico. Abbiamo applicato un’analisi di regressione del pattern in combinazione con l’apprendimento del kernel multiplo (MKL) per valutare potenziali predittori neurali dei vari costrutti PRF basati sulla ponderazione di (1) condizioni nocive e innocue (ponderazione delle condizioni) e (2) informazioni sul modello all’interno di sottocorticali e regioni di elaborazione della paura corticale (pesi regionali). Abbiamo dapprima confrontato i diversi questionari PRF in termini di prestazioni del modello, ovvero la capacità del modello di predire i punteggi del questionario sulla base di modelli di risposta cerebrale in tutte le regioni di elaborazione della paura. Secondo, abbiamo confrontato i diversi modelli di previsione in base alle distribuzioni delle loro condizioni e pesi regionali per esplorare potenziali comunanze neurali o differenze di costrutti PRF correlati. Se i questionari PRF condividono costrutti PRF sovrapposti, i pesi regione dovrebbero essere distribuiti in modo simile nelle regioni di elaborazione della paura. Al contrario, se le regioni cerebrali contribuenti variano tra i modelli di predizione, ciò fornirebbe evidenza per i costrutti PRF non sovrapposti attraverso i questionari. In definitiva, questo approccio potrebbe aiutare a comprendere e analizzare ulteriormente i vari costrutti del PRF nel LBP cronico. quindi i pesi regionali dovrebbero essere distribuiti in modo simile nelle regioni di elaborazione della paura. Al contrario, se le regioni cerebrali contribuenti variano tra i modelli di predizione, ciò fornirebbe evidenza per i costrutti PRF non sovrapposti attraverso i questionari. In definitiva, questo approccio potrebbe aiutare a comprendere e analizzare ulteriormente i vari costrutti del PRF nel LBP cronico. quindi i pesi regionali dovrebbero essere distribuiti in modo simile nelle regioni di elaborazione della paura. Al contrario, se le regioni cerebrali contribuenti variano tra i modelli di predizione, ciò fornirebbe evidenza per i costrutti PRF non sovrapposti attraverso i questionari. In definitiva, questo approccio potrebbe aiutare a comprendere e analizzare ulteriormente i vari costrutti del PRF nel LBP cronico.

Misure di autovalutazione della paura correlata al dolore

Il PRF è stato valutato utilizzando diversi questionari:

(1) Il questionario Tampa Scale of Kinesiophobia (TSK) ( Kori et al., 1990 ; Vlaeyen et al., 1995 ) è stato utilizzato per valutare la paura del movimento / (re) infortunio e della chinesiofobia. La versione tedesca 17-item del TSK (TSK-17) con consistenza interna soddisfacente (α di Cronbach = 0,76-0,84) contiene affermazioni incentrate sulla paura dell’attività fisica valutata su una scala Likert a 4 punti da 1 (fortemente in disaccordo) a 4 (fortemente d’accordo, Rusu et al., 2014). A causa di versioni aggiuntive del questionario TSK originale a 17 voci, abbiamo anche calcolato i punteggi del questionario delle versioni TSK a 13 e 11 item (TSK-13, TSK-11). Le versioni a 13 e 11 item sono state precedentemente validate mediante analisi fattoriale di conferma e hanno dimostrato livelli accettabili di coerenza interna (α di Cronbach = 0,80, Goubert et al., 2004 ; Tkachuk e Harris, 2012 ). Una soluzione a due fattori della versione TSK-11 fornisce la soluzione migliore in termini di spiegazione della varianza tra campioni tedeschi, olandesi, svedesi e canadesi e include la sottoscala “attività-evitamento” (TSK-AA, la convinzione che tale attività può provocare lesioni / reinserimento o dolore più forte) e “attenzione somatica” (TSK-SF, la credenza in problemi medici sottostanti e seri, Roelofs et al., 2007Rusu et al., 2014 ).

(2) La versione tedesca del questionario sulle credenze per evitare la paura (FABQ; Waddell et al., 1993 ; Pfingsten et al., 2000 ) consiste di 16 elementi specifici del dolore alla schiena relativi alle credenze per evitare la paura valutate su una scala di valutazione di 7 punti (0, completamente in disaccordo; 6, completamente d’accordo). Comprende due sottoscale distinte e consolidate legate a credenze su come il lavoro (FABQ-W) e l’attività fisica (FABQ-PA) influenzano il LBP, con consistenze interne di α = 0.88 e α = 0.77, rispettivamente ( Waddell et al., 1993 ).

(3) La versione breve della scala dei sintomi dell’ansia del dolore (PASS-20) valuta le risposte di paura e ansia legate al dolore compresi i domini cognitivi, fisiologici e di risposta motoria ( McCracken e Dhingra, 2002 ). Gli articoli sul PASS-20 sono misurati su una scala Likert a 6 punti e riguardano quattro diverse sottoscale, tra cui ansia cognitiva (PASS-C), paura (PASS-F), fisiologia (PASS-P) e fuga / elusione ( PASS-E; Roelofs et al., 2004b ). La versione tedesca del PASS-20 ha una consistenza interna di α = 0.90 ( Kreddig et al., 2015 ).

Inoltre, ai pazienti è stato chiesto di compilare il questionario painDETECT, che include tre scale di valutazione numerica a 11 punti, dove 0 è “nessun dolore” e 10 è il “peggior dolore immaginabile” per valutare il dolore attuale, l’intensità del dolore più intensa e media le 4 settimane precedenti ( Freynhagen et al., 2006 ). Infine, per studiare le potenziali differenze o la varianza condivisa tra PRF e ansia generale, abbiamo usato lo State-Trait Anxiety Inventory (STAI), la misura di ansia più ampiamente utilizzata per l’autovalutazione, che comprende due sottoscale ( Spielberger e Gorsuch, 1983 ; Julian , 2011 ): la State Anxiety Scale (S-Anxiety) valuta gli attuali livelli di ansia, mentre la Trait Anxiety Scale (T-Anxiety) valuta aspetti più stabili dell’ansia come “l’ansia” (Julian, 2011 ). Tutti i questionari sono stati somministrati all’appuntamento fMRI prima della scansione del cervello. Abbiamo testato i punteggi dei diversi questionari per l’assunzione di normalità dei dati utilizzando il test Shapiro-Wilk e visivamente utilizzando i grafici Q-Q implementati in SPSS Statistics (versione 23, IBM; Ghasemi e Zahediasl, 2012 ).

Protocollo di scansione e design

L’imaging cerebrale è stato eseguito su un sistema di risonanza magnetica per corpo intero da 3 T (Achieva, Philips), dotato di una bobina con testa di ricezione a 32 elementi e trasmissione RF parallela MultiTransmit. Ogni sessione di imaging è iniziata con una scansione sondaggio, una scansione di calibrazione B1 (per MultiTransmit) e una scansione di riferimento SENSE. Dati anatomici ad alta risoluzione sono stati ottenuti con una scansione eco del campo del turbo 3D T1 (T1w) composta da 145 sezioni in orientamento sagittale con i seguenti parametri: campo visivo (FOV) = 230 × 226 mm 2; spessore della fetta = 1,2 mm; matrice di acquisizione = 208 × 203 (risultante in una risoluzione voxel di 1,1 × 1,1 × 1,2 mm); TR = 6,8 ms; TE = 3,1 ms; angolo di ribaltamento = 9 °; numero di medie del segnale = 1. Le serie temporali funzionali sono state acquisite utilizzando sequenze di imaging ecoplanare a pendenza intera-eco (365 volumi), composte da 37 sezioni nella direzione assiale (angolazione anteriore commissura-posteriore commissura) con i seguenti parametri: FOV = 240 × 240 mm 2 ; matrice di acquisizione = 96 × 96; spessore della fetta = 2,8 mm (risultante in una risoluzione voxel di 2,5 × 2,5 × 2,8 mm); acquisizione di fette interlacciate; nessuna distanza tra le fette; TR = 2100 ms; TE = 30 ms; Fattore SENSE = 2,5; angolo di ribaltamento = 80 °.

Gli stimoli provocatori del PRF (condizione dannosa) consistevano in videoclip con una durata di 4 secondi registrati da una prospettiva in terza persona ( Meier et al., 2016 ). I videoclip hanno mostrato attività potenzialmente dannose (movimenti di contrazione come piegamento e sollevamento) selezionati dalle serie fotografiche di attività quotidiane (PHODA, Leeuw et al., 2007a ). PHODA originale è stato sviluppato in stretta collaborazione con scienziati del movimento umano, fisioterapisti e psicologi ed è composto da una gerarchia della paura basata sulla valutazione della nocività percepita delle attività quotidiane in pazienti con LBP cronica. Dalle 40 attività potenzialmente dannose incluse nella versione elettronica PHODA breve ( Leeuw et al., 2007a), abbiamo scelto tre scenari tra i primi sei attività più dannose, vale a dire spalare il terreno con la schiena piegata, sollevare un vaso di fiori con la schiena leggermente piegata e aspirare sotto un tavolino con la schiena piegata. Inoltre, abbiamo creato videoclip di tre attività classificate come meno dannose, come camminare su e giù per le scale e camminare su un terreno pianeggiante (condizioni innocue). Il software di presentazione (Neurobehavioral Systems) è stato utilizzato per presentare i videoclip in ordine pseudocasuale (non più di due prove consecutive identiche). Ai pazienti è stato chiesto di osservare attentamente i videoclip, che sono stati visualizzati usando occhiali protettivi compatibili con MR (Resonance Technology). Le tre attività dannose e innocue sono state presentate cinque volte (30 prove totali). Dopo l’osservazione di ciascun video clip, ai pazienti è stato chiesto di valutare la nocività percepita dell’attività su una scala analogica visiva (VAS) ancorata con gli endpoint “non dannosi per niente” (0) e “estremamente dannosi” (10). Tutti i rating sono stati eseguiti utilizzando una track ball compatibile con MR (Current Designs). Dopo la valutazione VAS, apparve una schermata nera con una croce di fissazione verde (durata tra 6 e 8 s). Abbiamo utilizzato questo protocollo sperimentale con successo per le indagini sui correlati neurali delle autovalutazioni del PRF in precedenti studi fMRI basati su analisi univariate di massa ( è apparso uno schermo nero con una croce di fissazione verde (durata tra 6 e 8 s). Abbiamo utilizzato questo protocollo sperimentale con successo per le indagini sui correlati neurali delle autovalutazioni del PRF in precedenti studi fMRI basati su analisi univariate di massa ( è apparso uno schermo nero con una croce di fissazione verde (durata tra 6 e 8 s). Abbiamo utilizzato questo protocollo sperimentale con successo per le indagini sui correlati neurali delle autovalutazioni del PRF in precedenti studi fMRI basati su analisi univariate di massa (Meier et al., 2016 , 2017 ).

Organizzazione dei dati MR e pre-elaborazione

Abbiamo utilizzato un set di dati fMRI esistente di studi precedentemente riportati ( Meier et al., 2016 , 2017 ). I dati fMRI sono stati organizzati secondo la Brain Imaging Data Structure (RRID: SCR_016124 ; http://bids.neuroimaging.io/ ), che fornisce un consenso su come organizzare i dati ottenuti negli esperimenti di neuroimaging. La preelaborazione è stata eseguita utilizzando FMRIPREP (versione 1.0.0-rc2, RRID: SCR_016216 ; https://github.com/poldracklab/fmriprep ), uno strumento basato su Nipype ( Gorgolewski et al., 2011)), che richiede un input minimo da parte dell’utente e fornisce report di errore e di output facilmente interpretabili e completi. Questa pipeline di elaborazione include pacchetti software all’avanguardia per ogni fase della pre-elaborazione (per una descrizione dettagliata dei diversi flussi di lavoro, vedere https://fmriprep.readthedocs.io/en/stable/workflows.html ). Ogni volume T1w è stato tesato usando la versione 2.1.0 di antsBrainExtraction.sh (usando il modello OASIS). Il volume T1w del teschio è stato coregistrato alla versione del modello MNI asimmetrico ICBM 152 nonlinear teschio della versione 2009c utilizzando la trasformazione non lineare implementata in ANTs versione 2.1.0 ( Avants et al., 2008 ). I dati funzionali sono stati corretti per il tempo di slice usando AFNI ( Cox, 1996 ) e il movimento corretto usando MCFLIRT versione 5.0.9 (Jenkinson et al., 2002 ). Ciò è stato seguito dalla coregistrazione al volume T1w corrispondente utilizzando la registrazione basata su limiti 9 df implementata in FreeSurfer versione 6.0.0 ( Greve e Fischl, 2009 ). Trasformazioni di correzione del movimento, trasformazione T1w e distorsione del modello MNI sono state applicate in un unico passaggio utilizzando la versione 2.1.0 di antsApplyTransformations con l’interpolazione di Lanczos. Tre classi di tessuti sono state estratte da immagini T1w utilizzando la versione 5.0.9 di FAST FAST ( Zhang et al., 2001 ). Voxel dal CSF e sostanza bianca sono stati utilizzati per creare una maschera utilizzata per estrarre i regressori del rumore fisiologico utilizzando aCompCor ( Behzadi et al., 2007). La maschera è stata erosa e limitata alle regioni subcorticali per limitare la sovrapposizione con la materia grigia e sono stati stimati sei componenti principali. La rimozione automatica degli artefatti di movimento (AROMA) basata sull’analisi di componenti indipendenti è stata utilizzata per generare regressori di rumore aggressivi relativi al movimento. Il classificatore AROMA identifica i componenti del movimento con elevata precisione e robustezza ed è superiore alla rilevazione degli artefatti da movimento utilizzando 24 parametri di movimento o regressione degli spike ( Pruim et al., 2015 ). Infine, per preservare un’elevata frequenza spaziale riducendo il rumore, è stato applicato il livellamento spaziale con una larghezza massima a mezzo massimo di 4 mm di kernel gaussiano. Per accelerare la pre-elaborazione dei dati, abbiamo eseguito il calcolo parallelo utilizzando l’ambiente Docker ( https://www.docker.com/ ) e il framework GC3Pie (https://github.com/uzh/gc3pie ) sull’ambiente di supercalcolo ScienceCloud dell’Università di Zurigo (S3IT; https://www.s3it.uzh.ch/ ).

Dati di input MVPA

I dati preelaborati sono stati successivamente passati al pacchetto software Statistical Parametric Mapping (SPM12, versione 6906; RRID: SCR_007037 ; http://www.fil.ion.ucl.ac.uk/spm/) per il calcolo del modello utilizzando un modello lineare generale (GLM). Per ogni paziente, una matrice di progettazione è stata costruita con regressori separati per le attività nocive e innocue, rispettivamente (15 stimoli nocivi e 15 innocui). I video clip sono stati modellati come funzioni boxcar (inizio = inizio del videoclip, durata = 4 s) e convoluti con la funzione di risposta emodinamica canonica standard, come implementato in SPM12. Inoltre, i seguenti regressori fastidiosi sono stati implementati nel modello GLM per ciascun paziente: (1) i sei regressori derivati ​​dal metodo di correzione del rumore fisiologico a componenti (aCompCor) e (2) i regressori relativi al movimento generati da AROMA (vedere Organizzazione dei dati MR e sezione di pre-elaborazione). Per rimuovere il rumore a bassa frequenza è stato utilizzato un filtro passa-alto con un taglio di 128 s. Infine, per ogni paziente,

Analisi di modelli multivariati

Rispetto alle analisi univariate, MVPA può raggiungere una maggiore sensibilità ed è in grado di rilevare effetti sottili e spazialmente distribuiti ( Schrouff et al., 2013 ; Haynes, 2015 ). Un modello di attività può rappresentare molti più stati diversi rispetto a ciascun voxel individualmente, il che porta a una visione basata sull’informazione rispetto alla vista basata sull’attivazione di analisi univariate ( Hebart e Baker, 2017 ). MVPA è stato eseguito utilizzando le routine implementate in PRoNTo versione 2.0 (RRID: SCR_006908 ; http://www.mlnl.cs.ucl.ac.uk/pronto/ ; Schrouff et al., 2013). Per la lettura di informazioni neurali multivariate che potrebbero servire come stimatore del punteggio potenziale dei diversi questionari PRF, abbiamo applicato un approccio di regressione di pattern appena introdotto basato su fasi supervisionate di apprendimento e test della macchina usando MKL. In breve, l’obiettivo in un’analisi di regressione con riconoscimento del pattern supervisionato è quello di apprendere una funzione dai dati che possono prevedere con precisione i valori continui (etichette, ad esempio, f ( i ) = i da un determinato set di dati D = { i , i }, i = 1 … N , dove i rappresenta coppie di campioni o vettori ei rappresenta le diverse etichette). In definitiva, la funzione appresa dal set di apprendimento viene utilizzata per prevedere le etichette da dati nuovi e non visibili ( Schrouff et al., 2013 ). MKL consente di contabilizzare l’anatomia del cervello (determinata da un atlante cerebrale, vedere Selezione delle caratteristiche) e diverse modalità (ad esempio, dati anatomici / funzionali o nell’approccio corrente: condizioni) durante la stima del modello considerando ogni regione del cervello e la modalità come kernel separati. Questo approccio consente di determinare il contributo di ciascuna regione del cervello (pesi delle regioni) e delle condizioni (peso delle condizioni) alla funzione decisionale finale del modello in modo gerarchico, apprendendo simultaneamente e combinando i diversi kernel lineari basati su macchine di supporto vettoriale ( SVM;Rakotomamonjy et al., 2008 ; Fernandes et al., 2017 ; Schrouff et al., 2018 ). Rispetto ai metodi MVPA convenzionali basati su mappe del peso del voxel dell’intero cervello, questa procedura fornisce un approccio diretto per trarre inferenze a livello di regione senza la necessità di una correzione di confronto multipla ( Schrouff et al., 2018). Per tenere conto di possibili contributi differenziali delle condizioni dannose e innocue alla funzione decisionale, abbiamo incluso le singole immagini SPM β di ogni condizione come modalità separate nel modello MKL (ponderazione delle condizioni). I kernel erano mediamente centrati e normalizzati (per tenere conto delle diverse dimensioni delle regioni cerebrali coinvolte) usando le routine standard implementate in PRoNTo. Successivamente, per ciascun questionario, abbiamo addestrato un modello di regressione MKL separato con le rispettive etichette (FABQ, TSK-17-, TSK-13, TSK-11, PASS e tutti i punteggi sottoscale e stato e tratto ansia). Inoltre, abbiamo addestrato i modelli di regressione MKL sulla base delle valutazioni di nocività raccolte durante le misurazioni di fMRI (valori medi rispettivamente della condizione dannosa e della condizione innocua). Ciò ha portato a un totale di 17 modelli MKL che forniscono risultati per la valutazione del modello, tra cui prestazioni del modello, area e pesi delle condizioni. Per ridurre il rischio di sovralimentazione per ciascun modello, abbiamo applicato una procedura di convalida incrociata annidata utilizzando uno schema di convalida incrociata “leave-one-out-out” per addestrare il modello inclusa l’ottimizzazione del modello iperparametro “C” (intervallo, [ 0.1, 1, 10, 100, 1000]). Inoltre, per generare una distribuzione nulla basata sui dati delle misure di performance [r e errore quadratico medio normalizzato (nMSE); vedere la valutazione e l’interpretazione del modello], ogni modello è stato ricalcolato 16.000 volte con etichette permutate (punteggio del questionario per soggetto) utilizzando il calcolo parallelo. La correzione a confronto multiplo per le prestazioni del modello ( valori r e nMSE) si basava su un tasso di falsi scoperti (FDR) del 5% ( p(FDR) <0,05). Come nota, controllando la percentuale prevista di falsi positivi, le procedure di controllo FDR forniscono un controllo meno rigoroso degli errori di tipo I rispetto ad altre procedure, come la correzione di Bonferroni, che controllano la probabilità di almeno un errore di tipo I. Inoltre, ogni modello che rappresenta un potenziale costrutto PRF [vale a dire, un modello con una prestazione significativa (corretti e non corretti)] è stato addestrato e testato attraverso una procedura di convalida incrociata aggiuntiva utilizzando ciascun set di funzionalità predittive (regioni cerebrali che hanno contribuito> 10% vedere la Tabella 5) degli altri modelli (convalida incrociata tra modelli, ad esempio, la formazione e il test delle etichette FABQ sono stati ripetuti utilizzando i set di funzioni predittive dei modelli TSK-11, TSK-13 e T-Anxiety). Un fallimento delle prestazioni predittive nella convalida incrociata tra modelli farebbe riferimento ad una dissociazione delle regioni cerebrali che contribuiscono ai diversi modelli e sarebbe quindi indicativa di costrutti PRF non sovrapposti.

Selezione delle funzionalità

Per ridurre ulteriormente il rischio di sovralimentazione e basato sulla conoscenza a priori delle regioni cerebrali coinvolte nell’elaborazione della paura, abbiamo limitato lo spazio delle funzioni a regioni cerebrali correlate alla paura bilaterali tra cui l’amigdala, l’ippocampo, il talamo, il cingolo anteriore, l’insula e il prefrontale mediale, e cortecce orbitofrontali ( Meier et al., 2014 ; Tovote et al., 2015 ; Braem et al., 2017 ). Le rispettive regioni del cervello sono state parcellizzate secondo l’etichettatura anatomica automatica (AAL; RRID: SCR_003550 ; http://www.gin.cnrs.fr/en/tools/aal-aal2/ ; vedere la Tabella 5 per le diverse etichette; Tzourio- Mazoyer et al., 2002) atlas e proiettati sul modello ICBM 152 Non lineare (vedi organizzazione e preparazione dei dati MR) mediante strumenti di registrazione del volume di superficie (svreg) MATLAB (versione R2017b) implementati in BrainSuite (versione 17a; RRID: SCR_006623 ; http: / /brainsuite.org/ ; Shattuck e Leahy, 2002). BrainSuite è stato anche utilizzato per generare superfici delle regioni AAL selezionate per la visualizzazione.

Valutazione e interpretazione del modello

Le prestazioni del modello sono state valutate mediante due metriche comunemente utilizzate per valutare le prestazioni dei modelli di regressione ( Ivanescu et al., 2016 ; Fernandes et al., 2017 ), come segue: coefficiente di correlazione di Pearsons ( r) e il MSE. Il coefficiente di correlazione caratterizza la relazione lineare tra etichette vere e previste; l’MSE è calcolato come la media delle differenze al quadrato tra le etichette vere e quelle previste. Una significativa correlazione positiva tra le etichette vere e quelle previste potrebbe indicare una forte performance di decodifica. Diversamente dall’analisi di correlazione convenzionale, tuttavia, una correlazione negativa indicherebbe prestazioni scarse. Inoltre, per ogni modello, segnaliamo il nMSE perché i diversi questionari sono basati su diversi intervalli di punteggio. Per esplorare i possibili contributi differenziali delle regioni cerebrali correlate alla paura ai modelli di predizione, riportiamo il grado di contribuzione di ciascuna regione del cervello (peso della regione) all’interno di ciascuna condizione (peso della condizione) fornita dall’approccio MKL (vedi Tabella 5).). È importante sottolineare che la selezione delle regioni da parte del modello MKL potrebbe essere influenzata da piccole variazioni nel set di dati (a causa della convalida incrociata di leave-one-out) e potrebbe quindi portare a diversi sottoinsiemi di regioni selezionati attraverso passaggi di convalida incrociata (pieghe). Fornendo una quantificazione di questa variabilità, la “classifica prevista” (ER, vedi Tabella 5 ) caratterizza la stabilità del ranking della regione tra le pieghe, come segue: più il ER è vicino alla classifica della piega selezionata, più coerente è la classifica della rispettiva regione del cervello attraverso le pieghe. D’altra parte, se il pronto soccorso è diverso dalla classifica, questo significa che la classifica potrebbe essere variabile tra le pieghe.

Risultati

Valutazioni, punteggi dei questionari e correlazioni

È importante sottolineare che il confronto delle valutazioni durante le misurazioni di fMRI ha dimostrato che le attività potenzialmente dannose erano percepite come significativamente più dannose rispetto alle attività innocue (test t abbinato : T = 8,22; p <0,001, a due code). Le statistiche descrittive dei diversi questionari, nonché l’età e il sesso dei pazienti sono riassunti nella Tabella 1 . Per quanto riguarda i dati del questionario, l’ispezione visiva (grafici QQ) e il test di Shapiro-Wilk hanno indicato la non-normalità dei dati ( p<0.05) di diversi questionari (FABQ, FABQ-W, TSK-11, FABQ-PA e T-Anxiety); pertanto, è stato utilizzato il coefficiente di correlazione di rango di Spearman non parametrico. Sono state osservate diverse correlazioni positive significative tra i diversi punteggi dei questionari PRF ( p <0.05; Tabella 2 ). La maggior parte delle scale TSK è significativamente correlata con i PASS (0,97 < r > 0,46, p <0,05), mentre la scala di lavoro FABQ non mostrava relazioni significative con TSK e PASS ( p > 0,05), ad eccezione del PASS- F ( r = 0,49, p <0,05). Inoltre, solo la scala S-Anxiety della scala STAI ha dimostrato correlazioni significative con alcune, ma non tutte, le scale TSK (0.44>r ‘s <0,63, p <0,05). Infine, solo il PASS-F ha mostrato una relazione positiva e significativa con la valutazione media della condizione dannosa ( r = 0.44, p <0.05; Tabella 2 ).

Prestazioni del modello

I modelli MKL con risultati prestazionali significativi [ p <0.05, FDR-corrected (FDR) e uncorrected (uncorr)] caratterizzati dal coefficiente di correlazione di Pearsons ( r ) e nMSE sono illustrati nella Figura 1 A-E ( Tabella 3 , per la revisione ). Il modello FABQ ha dimostrato una significativa prestazione di decodifica caratterizzata da una correlazione positiva tra etichette vere e previste ( r= 0.61, p (FDR) = 0.012, nMSE = 4.25, p (uncorr) = 0.014). È interessante notare che il modello FABQ-W ha mostrato un forte potere predittivo ( r = 0,74, p (FDR) = 0,004, nMSE = 1,81, p(FDR) = 0,003), mentre la scala FABQ-PA non era decodificabile da modelli di risposta cerebrale correlati alla paura ( r = 0.03, p (uncorr) = 0.162, nMSE = 1.68, p (uncorr) = 0.161). Tra le scale TSK, solo il TSK-13 ( r = 0,37, p (uncorr) = 0,034, nMSE = 1,09, p (uncorr) = 0,033) e il TSK-11 ( r = 0,63, p(FDR) = 0,009, i modelli nMSE = 0.90, p (uncorr) = 0.032) hanno dimostrato una significativa prestazione di decodifica. Il modello TSK-17 ( r = 0,19, p (uncorr) = 0,09, nMSE = 1,10, p(uncorr) = 0,091) e i modelli di sottoscale TSK-11 non hanno mostrato prestazioni di decodifica significative (TSK11-SF: ( r = -0.73, p (uncorr) = 0.832, nMSE = 0.86, p (uncorr) = 0.773; TSK -11-AA: r = -0,63, p (uncorr) = 0,808, nMSE = 0,88, p (uncorr) = 0,879). Inoltre, nessuno dei PASS era decodificabile da modelli di risposta cerebrale correlati alla paura (PASS: r = 0.18, p (uncorr) = 0.119, nMSE = 4.63, p (uncorr) = 0.115 / PASS-C: r = -0.44, p (uncorr) = 0.515, nMSE = 1.64, p (uncorr) = 0.513 / PASS-E : r = -0,32, p(uncorr) = 0.339, nMSE = 1.38, p (uncorr) = 0.331, PASS-F: r = -0.15, p(uncorr) = 0.259, nMSE = 1.70, p (uncorr) = 0.251 / PASS-P: r = -0.51, p (uncorr) = 0.518, nMSE = 1.36, p (uncorr) = 0.512). Inoltre, il modello T-Anxiety ha dimostrato una moderata performance di decodifica ( r = 0.48, p (FDR) = 0.011, nMSE = 1.01, p (uncorr) = 0.015), mentre il modello S-Anxiety non era significativo ( r = -0.46 , p (uncorr) = 0,481, nMSE = 1,51, p(uncorr) = 0.475). Le valutazioni di nocività percepita durante le misurazioni di fMRI non erano decodificabili da modelli di risposta cerebrale correlati alla paura (rating dannoso: r = -0,01, p (uncorr) = 0,247, nMSE = 0,64, p(uncorr) = 0,242; Rating innocuo: r = -0.72, p (uncorr) = 0.481, nMSE = 0.38, p (uncorr) = 0.441). Infine, la convalida incrociata tra modelli (vedere l’analisi del modello multivariata) non ha prodotto risultati di prestazioni significative (valori p (non corretti)> 0,11) tra diversi set di caratteristiche (ad esempio, le etichette FABQ non erano prevedibili utilizzando il set di funzionalità TSK-11 ; Tabella 4).

Condizioni e pesi regionali

La ponderazione delle condizioni e delle regioni dei modelli con prestazioni predittive ( p <0.05, correzione FDR e non corretta, vedere prestazioni del modello) sono illustrate nella Figura 1 A-E e sono descritte in dettaglio nella Tabella 5 (sezioni A-E). Le prestazioni di decodifica dei modelli FABQ (FABQ e FABQ-W) sono state guidate da un importante contributo della condizione dannosa (88% e 87%, rispettivamente). In questa condizione, il talamo sinistro (rango 1), l’amigdala destra (rango 2) e l’ippocampo sinistro (rango 3) hanno contribuito> al 69% dei pesi totali della regione nel modello FABQ ( Tabella 5 , sezione A, Fig. 1 UN). Allo stesso modo, l’amigdala destra (rango 1) e il talamo sinistro (rango 2) trasportavano le informazioni neurali più predittive con il 79,62% dei pesi totali delle regioni nel modello FABQ-W ( Tabella 5 , sezione B, Fig. 1 B ). In entrambi i modelli FABQ, l’amigdala destra ha anche dimostrato un’associazione con la condizione innocua, sebbene fosse di minore rilevanza (~11%). In confronto, i modelli TSK hanno dimostrato un contributo moderato della condizione dannosa (TSK-13, 60%, TSK-11, 66%). Entrambe le prestazioni del modello predittivo del TSK sono state guidate da un importante contributo della corteccia orbitofrontale laterale destra (lOFC, TSK-13, 52,7%, TSK-11, 60,49%, Tabella 5 , sezioni C e D, Fig. 1 C , D). Inoltre, la corteccia orbitofrontale mediale sinistra (mOFC) e l’ippocampo destro trasportavano informazioni predittive all’interno della condizione innocua in entrambi i modelli TSK (TSK-13: retto sinistro, 19,51%, ippocampo destro, 14,03%, TSK-11: retto sinistro retto , 21,29%, ippocampo destro, 10,41%). Con un contributo quasi uguale delle condizioni nocive (52%) e innocue (48%), la previsione dei punteggi di T-Anxiety era principalmente guidata dai contributi neurali della corteccia prefrontale mediale sinistra (mPFC) e mOFC (pari al 44% di la regione totale pesa nella condizione dannosa) e il talamo sinistro (insieme con il mOFC che rappresenta il 44% dei pesi totali della regione in condizioni innocue, Tabella 5 , sezione E, Fig. 1 E ).

Discussione

Prove da studi comportamentali trasversali e longitudinali dimostrano una forte associazione tra PRF e disabilità nel dolore cronico ( Leeuw et al., 2007b , Wertli et al., 2014b , Esteve et al., 2017). Tuttavia, i diversi costrutti del PRF come “paura del movimento / (ri) ferimento / kinesiofobia”, “paura di evitare le credenze” o “angoscia del dolore” sono spesso usati in modo intercambiabile in letteratura ( Lundberg et al., 2011 ), e non è chiaro se condividono un costrutto PRF comune riflesso da fonti neurali simili. La base neurale subcorticale / corticale di paura e ansia che controlla la cognizione e regola un comportamento appropriato dipendente dalle caratteristiche delle minacce è ben descritta ( Gray e MacNaughton, 2000 ;LeDoux, 2000 ; McNaughton e Corr, 2004 ; Panksepp, 2011 ; Shackman et al., 2011 ; Qi et al., 2018 ). Sebbene entrambe le emozioni siano collegate a simili sistemi neuromodulatori del circuito della paura ( Tovote et al., 2015 ), l’ansia è meno compresa e più complessa della paura. La ricerca attuale suggerisce una differenziazione funzionale caratterizzato da regioni subcorticali elaborazione risposte rapide paura di una minaccia imminente (risposte difensive) e sistemi corticali di elaborazione cognizioni complessi legati alla paura e l’ansia in cui la minaccia è distale nello spazio o nel tempo ( LeDoux e pino, 2016 ; Qi et al., 2018 ).

L’attuale approccio MVPA usando MKL ha dimostrato la fattibilità di dissezionare neuronalmente i costrutti proposti di autoregolamentazioni PRF sulla base dei loro predittori sottocorticali / corticali durante l’attività cerebrale correlata al PRF. I risultati hanno rivelato che mentre la variabilità tra gli individui di alcuni questionari, in particolare le scale FABQ e FABQ-W, TSK-13, TSK-11 e T-Anxiety, era prevedibile da modelli di risposta in fonti neurali dissociabili legate alla paura, su subcorticale e livelli corticali, questo non era il caso per il FABQ-PA, le sottoscale TSK-11 (TSK-11-AA e TSK-SF), i PASS e la scala S-Anxiety. Inoltre, le valutazioni on-line della nocività percepita non erano decodificabili dai modelli di risposta cerebrale correlati alla paura.

FABQ e TSK

Le scale FABQ e FABQ-W hanno dimostrato le migliori prestazioni del modello tra i questionari PRF investigati, che erano caratterizzati da un forte contributo di informazioni neurali nelle condizioni nocive (ponderazione delle condizioni, 88% e 87%, rispettivamente). È interessante notare che la scala FABQ-PA non mostrava un’associazione predittiva con pattern di risposta cerebrale correlati alla paura. Le migliori prestazioni del modello del FABQ-W basate sui modelli di attività cerebrale correlati alla paura sono in linea con l’emergente evidenza che il FABQ-W è un migliore predittore del risultato del trattamento in LBP cronico rispetto al FABQ-PA, anche se questo potrebbe essere dipendente dalla popolazione di pazienti ( Waddell et al., 1993 ; George et al., 2005 , 2008 ; Wertli et al., 2014a). A sostegno di ciò, la scala FABQ-W si è qualificata per una regola di predizione clinica riguardante il miglioramento dopo la manipolazione spinale, mentre la scala FABQ-PA non lo ha fatto ( Flynn et al., 2002 ; Dougherty et al., 2014 ).

Rispetto ai pesi regionali, i modelli FABQ erano principalmente guidati da contributi neurali subcorticali che coinvolgono il talamo, l’ippocampo e l’amigdala, mentre le regioni frontali del cervello hanno avuto un ruolo minore. Il talamo e, in particolare, le sue strutture di linea mediana sono state considerate come un sistema di eccitazione non specifica ( van der Werf et al., 2002 ). Tuttavia, recentemente è stato dimostrato che parti della struttura mediale della linea dorsale sono necessarie per l’elaborazione della memoria della paura indirizzando direttamente l’ippocampo, che svolge un ruolo importante per la memoria emotiva dipendente dal contesto ( Penzo et al., 2015 ; Lara-Vásquez et al ., 2016 ; Zheng et al., 2017 ). Inoltre, l’amigdala è stata a lungo considerata un “centro della paura” (Darwin, 1873 ; Panksepp, 1998 ). Tuttavia, la struttura eterogenea costituita da diversi nuclei non è essenziale per l’esperienza della paura, che è stata dimostrata in pazienti con lesioni da amigdala ( Anderson and Phelps, 2002 ; Feinstein et al., 2013 ; LeDoux and Pine, 2016 ). Invece, l’amigdala ha dimostrato di essere più fortemente implicata nelle risposte comportamentali e fisiologiche alle minacce (cioè i processi difensivi); la sua relazione con cognizioni complesse come la paura e l’ansia è controversa ( Panksepp, 2011 ; LeDoux e Pine, 2016 ; Fanselow e Pennington, 2017 ). Un recente articolo di opinione ( LeDoux e Hofmann, 2018) ha suggerito che i sentimenti soggettivi di paura e ansia inizialmente non derivano dall’attività sottocorticale del circuito della paura centrato attorno all’amigdala. Pertanto, l’attività dell’amigdala e le risposte fisiologiche mediate della paura e dell’ansia potrebbero essere, nel migliore dei casi, solo un correlato di sentimenti soggettivi di paura e ansia ( LeDoux e Hofmann, 2018 ). Tuttavia, i risultati qui presentati indicano una forte associazione predittiva tra i rapporti soggettivi del PRF, valutati dalle scale FABQ e gli schemi di attività dell’amigdala.

Tra le scale TSK, il TSK-13 e il TSK-11 hanno dimostrato un’associazione predittiva con pattern di risposta cerebrale correlati alla paura, sebbene con un minore contributo della condizione dannosa rispetto alle scale FABQ (TSK-13, 60%; TSK-11 , 66%). La versione TSK-11 mostrava una relazione più forte tra le etichette vere e quelle previste rispetto alla versione TSK-13 ( r = 0.60, nMSE = 0.90, p <0.05). Questo risultato potrebbe riflettere il progresso della ricerca precedente riguardante le proprietà psicometriche delle diverse versioni di TSK. Rispetto alla versione a 17 elementi, la versione a 13 elementi ha proprietà psicometriche migliori senza i quattro item inversamente formulati ( Roelofs et al., 2004a ; Neblett et al., 2016), e la versione a 11 item è stata raccomandata per future ricerche e setting clinici (per un riepilogo cronologico, vedi Tkachuk e Harris, 2012 ). È interessante notare che nessuna associazione predittiva potrebbe essere “appresa” da MKL utilizzando le etichette di sottoscrizione TSK-11 (punteggi TSK-11-SF e TSK-11-AA). Sebbene questi due fattori di ordine inferiore (riduzione delle attività e concentrazione somatica) riflettano il costrutto di ordine superiore “paura del movimento e (ri) lesione / kinesiofobia”, il risultato non significativo potrebbe indicare che sono associati a modelli neurali inconsistenti tra individui .

Per quanto riguarda le ponderazioni regionali dei modelli TSK, la scheda grafica corretta ha fornito le informazioni più predittive per le due scale TSK (TSK-13, 52%; TSK-11, 60%). In accordo con il costrutto relativo alla fobia (kinesiofobia), è stato dimostrato che la disfunzione dell’OFC è implicata nell’elaborazione di stimoli correlati alla fobia in disturbi come il disturbo d’ansia sociale ( Dilger et al., 2003 ). Nello specifico, l’attività lOFC è stata ridotta quando gli studi di phobogenic sono stati confrontati con studi rilevanti per la paura ( Aue et al., 2015 ). Inoltre, è stato dimostrato che una lOFC iperattiva è legata a cognizioni ansiogene ( Hahn et al., 2011)). È interessante notare che i contributi corticali più alti dei modelli TSK erano chiaramente dissociabili dai contributi in gran parte subcorticali che coinvolgono l’amigdala, l’ippocampo e il talamo che hanno predetto i punteggi FABQ.

Per concludere, le scale FABQ hanno dimostrato un’elevata sensibilità del PRF (pesi con condizioni nocive> 87%) e sono state collegate a predittori sottocorticali che sono stati associati a risposte di paura a una minaccia imminente ea comportamenti difensivi ( McNaughton and Corr, 2004 ; LeDoux and Pine, 2016 ). Al contrario, le scale TSK sembravano catturare stati emotivi largamente associati all’elaborazione della paura corticale che potrebbe essere correlata agli aspetti cognitivi del PRF. A sostegno di ciò, i pesi di condizione innocua più elevati osservati del TSK rispetto ai modelli FABQ potrebbero indicare che le scale TSK sono associate a cognizioni più diffuse legate all’ansia.

PASSAGGIO

Sorprendentemente, il PASS non è riuscito a dimostrare un’associazione predittiva con modelli di risposta cerebrale correlati alla paura. Ci possono essere diverse spiegazioni. Innanzitutto, sebbene il FABQ e il TSK siano stati specificamente sviluppati per i pazienti con dolore muscolo-scheletrico, il PASS è adatto per vari fenotipi del dolore ( Crombez et al., 1999 ). In secondo luogo, il PASS ha dimostrato di essere più fortemente associato agli affetti negativi e meno predittivo di disabilità del dolore e prestazioni comportamentali ( Crombez et al., 1999 ). Terzo, tutte le sottoscale PASS hanno dimostrato una significativa multicollinearità nel nostro campione, suggerendo una non indipendenza tra le diverse sottoscale. Tutti questi aspetti possono aver portato a una minore sensibilità dei pattern neurali correlati alla paura al PASS e alle sue sottoscale nel presente studio.

La superiorità della scala FABQ (guidata dal FABQ-W) nelle prestazioni di decodifica rispetto a TSK e PASS potrebbe anche essere influenzata dagli elementi specifici del dorso del FABQ in concomitanza con la natura degli stimoli che provocano PRF (back- back). movimenti tesi). Gli elementi del FABQ erano specificamente correlati al dorso, mentre il TSK e il PASS possono essere usati con varie diagnosi dolorose muscolo-scheletriche come disturbi dell’arto superiore legati al lavoro, LBP cronico, fibromialgia e osteoartrite ( Roelofs et al., 2007 ). Tuttavia, il FABQ è stato anche adattato al dolore alla spalla, dove ha dimostrato una migliore struttura fattoriale e un’associazione più forte con la disabilità rispetto al TSK-11 ( Mintken et al., 2010 ).

Stato e tratto ansia

Oltre a PRF, ansia e depressione mediano significativamente la relazione tra dolore e disabilità ( Marshall et al., 2017 ). Tuttavia, le risposte di paura specificamente correlate al dolore del paziente e / o ai movimenti potenzialmente dolorosi potrebbero essere più rilevanti per spiegare la disabilità nella LBP cronica rispetto alle risposte di ansia da tratto generale ( McCracken et al., 1996 ). I risultati attuali sono in linea con questa nozione. Innanzitutto, la maggior parte delle misure del PRF non mostrava una relazione significativa con lo stato o l’ansia dei tratti. In secondo luogo, l’ansia di stato non era decodificabile dalle risposte del cervello correlate alla paura a attività potenzialmente dannose nei pazienti con dolore cronico. È interessante notare che, per quanto riguarda il modello di ansia del tratto (T-Anxiety; Fig. 1 E), le condizioni nocive e innocue hanno fornito informazioni neurali predittive quasi uguali (52% vs 48%). Ciò suggerisce che la misura dell’ansia del tratto è associata al contenuto neurale indipendentemente dalla nocività di uno stimolo, provocato, ad esempio, da una maggiore attenzione alle informazioni visive elaborate nelle regioni del cervello correlate alla paura; Berggren et al., 2015 ). Potrebbe inoltre indicare che la scala T-Anxiety cattura le risposte neurali che sono associate a una risposta di paura più generalizzata.

Per quanto riguarda i pesi regionali, le informazioni predittive sono state fornite prevalentemente da regioni cerebrali meno coinvolte nella previsione delle altre misure del PRF, ovvero parti del mPFC e del mOFC ( Tabella 5 , sezione E). Ciò è in linea con la differenziazione funzionale proposta delle strutture neurali per quanto riguarda la paura in risposta a una minaccia imminente (risposta difensiva) e paura / ansia cognitiva (minaccia distale e incerta) mentre il secondo coinvolge più strutture corticali rostrali come l’mPFC e mOFC ( McNaughton e Corr, 2004 ; LeDoux e Pine, 2016 ). Inoltre, la ricerca sulle misurazioni self-report indica che l’ansia di tratto è relativamente diversa dalla paura del danno tissutale, che supporta una dissociazione comportamentale e neurale di ansia di tratto e PRF (Cooper et al., 2007 ; Perkins et al., 2007 ).

Rating di nocività

È interessante notare che, sebbene le attività nocive provocanti il ​​PRF siano state giudicate significativamente più dannose rispetto alle attività innocue, le valutazioni di nocività percepita durante le misurazioni di fMRI non erano decodificabili dai modelli di risposta del cervello correlati alla paura. Inoltre, i rating non hanno mostrato correlazioni significative con le misure del PRF (eccetto la scala PASS-F, tabella 2 ). Altri hanno riferito solo rapporti moderati ( valori di r <0,39) tra le valutazioni di nocività percepita degli item di PHODA e le misurazioni self-report come il TSK, la scala catastrofica del dolore o l’intensità del dolore ( Leeuw et al., 2007a), indicando che le valutazioni di nocività percepita valuteranno qualcosa di simile, ma anche distinto dalle misure di autovalutazione del PRF. Le deboli relazioni tra le valutazioni di nocività percepita e le misure di autovalutazione del PRF potrebbero essere spiegate dalla specificità dei movimenti potenzialmente dannosi rappresentati dagli item di PHODA. In particolare, le valutazioni di nocività percepita erano specificamente correlate ai movimenti di contrazione, come la flessione e il sollevamento, mentre le misure del PRF potevano anche essere associate ad altri movimenti potenzialmente dannosi. Pertanto, i pattern neurali correlati alla paura indotti dall’osservazione di attività potenzialmente dannose per la schiena potrebbero non includere informazioni sulla specificità del movimento. Invece, questi modelli neurali potrebbero predire PRF e i suoi costrutti in un modo più generale che viene catturato da TSK e FABQ.

Limitazioni

Una limitazione di questo studio è la dimensione del campione relativamente piccolo in combinazione con il quadro di validazione incrociata. Idealmente, il modello predittivo dovrebbe essere addestrato e testato con dati completamente indipendenti. Tuttavia, è probabile che i risultati ottenuti siano validi per i seguenti motivi: (1) l’obiettivo dello studio corrente non era quello di massimizzare le prestazioni di decodifica, piuttosto la decodifica multivariata è stata utilizzata per l’interpretazione e la comprensione dei diversi costrutti PRF, per i quali è stata ottenuta una significativa accuratezza predittiva ( Hebart e Baker, 2017 ); (2) l’SVM lineare applicato ha dimostrato di esibire buone prestazioni anche in impostazioni molto dimensionali con campioni di dimensioni ridotte ( Varoquaux e Thirion, 2014); (3) l’approccio di regressione applicato che utilizza variabili continue aumenta la potenza statistica rispetto a un’analisi categoriale (ad esempio, bassa o alta paura; Altman e Royston, 2006); e (4) la variabilità delle regioni che maggiormente contribuiscono ai modelli attraverso le pieghe di cross-validation è stata molto piccola (indicata dal pronto soccorso), dimostrando una classifica stabile, indipendentemente dai dati del soggetto che sono stati lasciati fuori per la convalida. Per questi motivi, è improbabile che le differenze tra i modelli di predizione siano causate dalla piccola dimensione del campione. Un’ulteriore limitazione è legata all’approccio di sparsità (regolarizzazione L1) dell’algoritmo MKL attualmente implementato in PRoNTo, che non seleziona regioni cerebrali con informazioni neurali altamente correlate. Pertanto, i potenziali effetti di lateralizzazione delle regioni cerebrali (ad es. Amigdala sinistra e destra) devono essere interpretati con attenzione. Infine, il disegno dello studio consente solo interpretazioni del PRF per movimenti di back-tensionamento e LBP. Perciò, le conclusioni relative ad altre condizioni muscolo-scheletriche dovrebbero essere tratte con cautela. Tuttavia, l’approccio attuale potrebbe rappresentare un promettente nuovo strumento per sezionare i costrutti psicologici delle misure di auto-segnalazione usando i loro predittori neurali.

Conclusione

Questa è la prima volta che modelli di risposta cerebrale multivariata sono stati utilizzati per comprendere e sezionare meglio un costrutto psicologico, qui, PRF, valutato convenzionalmente tramite auto-report (questionari). Il collegamento di informazioni neurali selettive per contenuto a costrutti psicologici potenzialmente diversi supporta probabilmente la loro validità costruttiva rivelando comunanze o differenze (nascoste) attraverso i costrutti psicologici. In effetti, le informazioni neurali dissociabili correlate alla paura servivano come stimatori di punteggio del FABQ (totale FABQ e FABQ-W), TSK (versioni 13 e 11-item) e il questionario T-Anxiety, che supportava la distinzione dei costrutti della paura dietro questi questionari. Le scale FABQ hanno dimostrato un forte potere predittivo con elevata sensibilità alle condizioni dannose e sono state associate a regioni di elaborazione della paura subcorticali (amigdala, talamo, ippocampo). I TSK erano più legati ai pattern di risposta neurale dell’OFC, potenzialmente indicando che il costrutto della kinesiofobia è più correlato a strutture cerebrali di ordine superiore associate all’ansia, mentre le scale FABQ sono più legate alle risposte difensive sottocorticali alla paura. Il PASS e le sue sottoscale non sono riuscite a dimostrare un’associazione predittiva con modelli di risposta cerebrale correlati alla paura. Da un punto di vista clinico, potrebbe indicare che i vari questionari della PRF, sebbene spesso correlati, misurano in realtà diversi fenotipi della paura correlati al dolore.

[Tratto da: www.eneuro.org ]

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.