Mapas de estadísticos paramétricos (SPM) en medicina nuclear

More documents

Recommendations

Info

Gispert JD, et al. Mapas de estadísticos paramétricos (SPM) en medicina nuclearFIG. 1.—Resultado de SPM. La figura muestra zonas de menor actividad metabólica en 12 pacientes de esquizofrenia después de habersido tratados con un nuevo fármaco neuroléptico.solventa habitualmente mediante la corrección de Bonferroni10 . Con ella, el valor p a partir del cual se aceptala hipótesis de partida, se calcula como: alfa / (númerode tests). Alfa es la tasa de falsos positivos que se estádispuesto a aceptar para el estudio en su conjunto (habitualmenteigual al 0,05, es decir, un falso positivocada 20 tests). Pero la corrección de Bonferroni asumeque los tests son independientes entre sí, lo cual noocurre en el caso de neuroimágenes, realizando unacorrección excesivamente conservadora. Para tratar elproblema de la no-independencia entre vóxeles, sobretodo los cercanos, de un modo más adecuado que lasimple corrección de Bonferroni, SPM hace uso dela llamada teoría de campos gaussianos. Sus fundamentos,relativamente complejos, están fuera del alcancede este artículo 9 . Para el usuario, basta saber queproporciona un valor de p corregido y comprender elsignificado de esta corrección.Típicamente, el valor p corregido por comparacionesmúltiples a partir del cual se acepta que unefecto es significativo es de p = 0,05. Este umbral seestablece a priori y ofrece una protección de un falsopositivo cada 20 observaciones, siempre y cuando secumplan estrictamente todos los supuestos implicadosen el proceso. Esto rara vez ocurre en la práctica,por lo que es extremadamente complicado establecercriterios objetivos para determinar un umbral a partirdel cual los valores p deban aceptarse como realmentesignificativos. Este aspecto será tratado másprofundamente en la discusión.SPM dista mucho de ser un método cerrado parael análisis estadístico de neuroimágenes. Muy al contrario,deja abiertas numerosas cuestiones sobre las quemerece la pena reflexionar, para evitar la obtención deconclusiones erróneas. Algunas de estas cuestionesson la adecuación de los datos al modelo teórico, laposible colinealidad de los efectos modelados, la normalizaciónen intensidad, la normalización espacial,el sistema de coordenadas utilizado para referir localizacionescerebrales, el modelado de efectos aleatoriosy la interpretación de la significación de los valoresp, aspectos que serán todos ellos tratados aDISCUSIÓNFIG. 2.—Presentación avanzada de resultados mediante SPM. La figurarevela zonas de menor actividad metabólica en pacientes de esquizofreniatratados con un nuevo fármaco neuroléptico con respectoa un grupo de control. Esta presentación requiere de la utilizaciónde programas externos a SPM.46Rev. Esp. Med. Nuclear, 2003;22(1):43-5352
Gispert JD, et al. Mapas de estadísticos paramétricos (SPM) en medicina nuclearcontinuación. Una revisión con mayor profundidadmatemática de las limitaciones en los estudios de neuroimagenfuncional puede encontrarse en 11, 12 .Adecuación al modelo teóricoComo todo análisis estadístico, SPM supone laadecuación de los datos a un cierto modelo teórico apriori, el modelo lineal general General Lineal Model(GLM). Según este modelo estadístico, los efectos deinterés son aditivos entre sí, la distribución de los residuosdebe ser Normal de media nula y varianza igualentre grupos 2 . Una forma de comprobar la normalidadde los residuos es mediante la denominada gráficaQ-Q. Ésta es una gráfica del percentil de los datosde la muestra, frente al percentil esperado en unadistribución gaussiana ideal. En caso de que la muestrafuese perfectamente gaussiana la gráfica mostraríauna línea recta. En la práctica, esta suposición raramentese cumple de forma estricta, aunque el métodoes relativamente robusto ante ligeras desviaciones deesta hipótesis. Estudios acerca de las limitaciones estadísticasde SPM pueden encontrarse en 13-18 .ColinealidadUn problema de mayor repercusión aparece cuandose pretende estimar simultáneamente el efecto de factoresque no son linealmente independientes. Estoocurriría, por ejemplo, al pretender estimar conjuntamenteel efecto de la edad de aparición de una enfermedadcrónica, su duración y la edad del paciente.Evidentemente, la edad del paciente es igual a la sumade la edad de aparición de la enfermedad y su duración.Esta asociación puede provocar una inestabilidadmatemática en el proceso de estimación de efectos,generando resultados impredecibles que no sonfiables: pequeños cambios en los datos pueden llevara un resultado completamente distinto.Normalización en intensidadEl nivel medio global de metabolismo o perfusióncerebral varía enormemente entre distintos sujetos y,en menor medida, en un mismo sujeto con el tiempo.Por ello es necesario ajustar los datos de intensidadpara efectuar análisis cuantitativos tanto longitudinalescomo transversales. El modo más simple de corregirestos cambios consiste en multiplicar la intensidadde las imágenes por un factor, de modo que elvalor medio de todas ellas sea idéntico. Esta técnicarecibe el nombre de escalado proporcional (proportionalscaling) 19 y considera que todos los sujetos debenpresentar un idéntico nivel medio. Un método alternativoconsiste en incluir el valor medio de cadaPET en el modelo estadístico, como efecto corrector.En este caso, se efectúa implícitamente un escaladoaditivo, a diferencia del proportional scaling que esmultiplicativo. Este método recibe el nombre de Análisisde Covarianza (ANCOVA). No existe consenso sobrecuál de las dos es mejor, si bien se suele considerarque este último es más adecuado cuando lavarianza entre adquisiciones es baja, por ejemplo, enestudios con un único sujeto, mientras que el primermétodo es más apropiado para estudios PET con diversossujetos o SPECT en general, que presentan unamayor varianza 20 .Estos son los dos procedimientos que están implementadosen SPM. Sin embargo, ninguno de elloscontempla la posibilidad de que los efectos de interésafecten a zonas suficientemente extensas comopara que el valor medio de las PET se vea modificado.En este caso, al igualar los valores medios se enmascarael efecto de las influencias del metabolismode los sujetos, en principio sin interés, con el efectodebido a la patología bajo estudio (localizada en zonasconcretas y cuya determinación constituye la finalidadúltima del estudio). Una forma de evitar estaconfusión, consiste en utilizar una normalización porregiones, delineando áreas de interés (ROI, Regionsof Interest) que comprendan estructuras cerebrales noafectadas por la patología. De esta manera, se puedenescalar las imágenes de modo que el valor mediode estas regiones de interés sea idéntico. Esto implicauna preconcepción de qué regiones no estaránalteradas y mucho tiempo para delinearlas. Trabajarcon ROIs con una geometría fija, por ejemplo círculos,introduce el error de que no se ajustan a la formaanatómica de las regiones cerebrales. Además, la correcciónpuede no ser adecuada si estas regiones noson lo suficientemente grandes.La normalización con respecto al máximo es otrométodo utilizado en ocasiones en este tipo de casos.La hipótesis de partida consiste en que las regionescon mayor metabolismo no están afectadas por la patología.En estos casos, es factible escalar las imágenesde modo que su valor máximo sea el mismo,53Rev. Esp. Med. Nuclear, 2003;22(1):43-5347
Page 1 and 2: colaboración especialRev. Esp. Med
Page 3: Gispert JD, et al. Mapas de estadí
Page 7 and 8: Gispert JD, et al. Mapas de estadí
Page 9 and 10: Gispert JD, et al. Mapas de estadí
Page 11: Gispert JD, et al. Mapas de estadí

Mapas de estadísticos paramétricos (SPM) en medicina nuclear

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?