Mapeo d basado en semillas

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

El método consta de tres pasos. Primero, se seleccionan las coordenadas de los picos de los clústeres (por ejemplo, los vóxeles donde las diferencias entre pacientes y controles sanos fueron mayores) y los mapas estadísticos, si están disponibles, según los criterios de inclusión de SDM. Segundo, se utilizan las coordenadas para recrear los mapas estadísticos, y los mapas de tamaño del efecto y sus varianzas se derivan de las estadísticas t (o, equivalentemente, de los valores p o las puntuaciones z ). Finalmente, se realiza un metaanálisis de los mapas de cada estudio utilizando diferentes pruebas para complementar el resultado principal con análisis de sensibilidad y heterogeneidad .

En los estudios de neuroimagen, es frecuente que algunas regiones (por ejemplo , regiones de interés predefinidas ) tengan umbrales más permisivos que el resto del cerebro . Sin embargo, un metaanálisis de estudios con tales diferencias regionales en los umbrales dentro de cada estudio estaría sesgado hacia estas regiones, ya que es más probable que se informen simplemente porque los autores aplican umbrales más permisivos en ellas. Para superar este problema, SDM introdujo un criterio en la selección de las coordenadas: si bien diferentes estudios pueden emplear diferentes umbrales, se debe asegurar que se haya utilizado el mismo umbral en todo el cerebro dentro de cada estudio incluido. ^{[ 1 ]}

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

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

• El análisis estadístico principal es el análisis de medias , que consiste en calcular la media de los valores de los vóxeles en los diferentes estudios. Esta media se pondera mediante el inverso de la varianza y tiene en cuenta la heterogeneidad entre estudios (mapas QH). ^{[ 2 ]}
• Los análisis de subgrupos son análisis de medias que se aplican a grupos de estudios para permitir el estudio de la heterogeneidad .
• Los análisis de modelos lineales (por ejemplo, metarregresión) son una generalización del análisis de la media que permite comparaciones entre grupos y el estudio de posibles factores de confusión . ^{[ 4 ]} Una baja variabilidad del regresor es fundamental en las metarregresiones, por lo que se recomienda entenderlas como exploratorias y establecer umbrales más conservadores. ^{[ 1 ]}
• El análisis de Jackknife consiste en repetir una prueba tantas veces como estudios se hayan incluido, descartando un estudio diferente en cada ocasión; es decir, eliminando un estudio y repitiendo los análisis, luego reincorporando ese estudio y eliminando otro, repitiendo el análisis, y así sucesivamente. La idea es que si una región cerebral significativa permanece significativa en todas o la mayoría de las combinaciones de estudios, se puede concluir que este hallazgo es altamente replicable. ^{[ 1 ]}

La significación estadística de los análisis se comprueba mediante pruebas de aleatorización estándar . Se recomienda utilizar valores p sin corregir = 0,005, ya que se ha comprobado que esta significación es aproximadamente equivalente a un valor p corregido = 0,05. ^{[ 2 ]} Se ha determinado que una tasa de falsos descubrimientos (FDR) = 0,05 es demasiado conservadora en este método. También se pueden extraer valores de una etiqueta o coordenada de Talairach para su posterior procesamiento o representación gráfica.