Análisis estadístico

3.4.1 Fase I

El análisis estadístico fue realizado utilizando el paquete SPSS v.22 (IBM, Armonk, NY, EEUU). Primero se comprobó la normalidad de la distribución de los datos mediante las pruebas de Kolmogorov Smirnov y/o Shapiro-Wilk. Para variables sociodemográficas (como la edad) se utilizaron medidas paramétricas de comparación como t de Student y para variables nominales u ordinales el índice Chi Cuadrado. Para la comparación de los datos obtenidos por ambos grupos en las variables de la tarea de Stop Modificada, se optó por el estadístico no paramétrico U de Mann Whitney, al no cumplirse el supuesto de normalidad. Posteriormente, se usó la prueba no paramétrica para variables relacionadas de Friedman en la comparación de distribuciones de las variables de la tarea de Stop Modificada, y la prueba de Wilcoxon de los rangos con signo en comparaciones de variables relacionadas dos a dos, para comprobar el sentido de las diferencias, usando la corrección para múltiples comparaciones. Al tratarse de tres comparaciones post-hoc el nivel de significación necesario fue p=0.017. Para comprobar la capacidad de la tarea modificada de stop en la correcta detección de casos, se realizó un análisis de Curva ROC para obtener la sensibilidad y especificidad para las los tiempos de reacción (TR) Go, Stop y DM de la señal de stop ante las tres categorías estimulares (neutras, relacionado con alcohol y pseudopalabras).

De manera adicional al análisis publicado en el trabajo de Sion y colaboradores (2017), se realizó un análisis de correlaciones mediante el estadístico no paramétrico Rho de Spearman, entre las principales medidas de tiempo de reacción y demoras medias de la señal de stop y las variables relacionadas con la dependencia, así como puntuaciones de ansiedad y depresión autoinformadas.

3.4.2 Fase II

Medidas de autoinforme y pruebas neuropsicológicas. Paradigma MSST.

Los datos fueron analizados mediante el programa SPSS v22. Para variables nominales, como el nivel educativo, se utilizó la prueba de Chi Cuadrado. Se comprobó la normalidad, mediante el test de Shapiro-Wilk, de variables cuantitativas como puntuaciones de autoinformes, pruebas neuropsicológicas y tiempos de reacción del paradigma conductual. Para las variables psicológicas y neuropsicológicas cuantitativas, se calcularon las diferencias intergrupales mediante el test T de Student, al cumplirse el supuesto de normalidad.

En el caso de los tiempos de reacción y porcentajes de acierto Go y Stop de la tarea MSST se optó por un abordaje diferente de los datos a la primera fase del trabajo de investigación, donde se utilizaron medidas no paramétricas para el análisis de índices que no se distribuían

108 normalmente. En esta segunda fase del estudio se optó por la transformación de los datos a una escala de logaritmo natural (Ln) con el fin de alcanzar la normalidad y permitir el uso de estadísticos paramétricos como el análisis de la varianza de medidas repetidas (ANOVA-MR). En el caso de valores negativos, como las amplitudes medias para el componente N100, el cálculo se realizó restando un valor constante (100) al valor promedio de voltaje y transformando ese nuevo valor a Ln. Tanto en el caso de las medidas de reacción y tasas de acierto en la tarea conductual, como en las medidas de parámetros de actividad psicofisiológica (amplitudes y latencias promedio de componentes de potenciales evento-relacionados) fue necesaria una exploración de los datos y eliminación de outliers (puntuaciones atípicas extremas). Este paso se realiza previamente a la transformación de los datos a escala Ln, ya que la presencia de outliers puede dificultar la normalización de los datos.

Por último, de manera similar al análisis de la primera fase de investigación, se realizaron estudios de correlaciones de Pearson entre las medidas principales Stop, neuropsicológicas, clínicas relacionadas con el consumo y de autoinformes relacionadas con la impulsividad, ansiedad y depresión.

Medidas del paradigma conductual MSST

Posteriormente, sobre las transformaciones a Ln de los datos conductuales de la tarea, se han realizado tres análisis de ANOVA-MR de dos factores, con correcciones post-hoc Bonnferoni: para tiempos de reacción (2 niveles: RT Go y SSRT) y condición (3 niveles: palabras de alcohol, neutras y pseudopalabras) por un lado, y porcentajes de éxito (% Aciertos Go y % Aciertos Stop) y condición por otro, con Grupo como factor inter-sujeto. Un tercer ANOVA de medidas repetidas fue calculado para las demoras medias de la señal de stop (3 condiciones: alcohol, neutras y pseudopalabras) Adicionalmente, valores de tamaño del efecto y potencia de los índices también fueron calculados.

Análisis PER en MMST

Se comprobó la normalidad de los parámetros PER de voltaje y latencia promedios. Aunque las latencias generalmente presentan distribuciones de tipo normal, las amplitudes medias PERs no se suelen comportar del mismo modo, como ocurre es el caso de este estudio. Por lo tanto, se empleó la transformación a una escala de logaritmo natural (Ln) con el fin de calcular estadísticos paramétricos.

109 PERs asociados a la decisión léxica Go

Fue realizó mediante ANOVA de medidas repetidas (ANOVA-MR) de dos componentes: N170 y N400, utilizando correcciones Greeenhouse-Geisser en el caso de esfericidad no asumible.

Para cada componente, 4 análisis diferentes fueron realizados: por un lado, se analizaron dos análisis para la amplitud y latencia promedia PER incluyendo en el ANOVA-MR la lexicalidad (voltaje y latencia ante palabras vs pseudopalabras) y electrodo (localización PER) como variables y Grupo como factor inter-sujeto. Por otro lado, para observar la influencia del contenido de la palabra en parámetros ERP, se realizaron dos análisis separados para amplitud y latencia incluyendo tipo de palabra (relacionada con el alcohol o palabras de tipo neutro) y localización ERP (electrodos) como variables, con Grupo como factor inter-sujeto

El componente N400 se caracteriza por ser mantenido en el tiempo, por lo que el análisis PER clásico (ej. de amplitud y latencia) no permite capturar todas sus facetas. Para resolver esta dificultad, el análisis estadístico fue complementado con el test no paramétrico de permutaciones basado en clústeres (Cluster-based Permutation Test, CBPT) (Maris & Oostenveld, 2007). Este análisis fue originalmente diseñado para enfrentar el problema de las comparaciones múltiples (en nuestro caso muestras de tiempo por número de canales) al unificar datos contiguos de puntos temporales en grupos o clusters y después estudiar el cluster como un conjunto. Adicionalmente, este test no paramétrico busca diferencias entre grupos o condiciones sin restricciones, permitiendo diferencias libres de modelo no explicables por el azar.

El análisis estadístico de la actividad evocada por la tarea (desde el inicio del estímulo léxico hasta 800 ms después) se realizó empleando un CBPT. En un primer paso se realizó un análisis estadístico individual para cada electrodo (región), comparando los valores de amplitud (en cada punto temporal de la época) entre los dos grupos mediante un test ANOVA de medidas repetidas (grupos x condiciones). Aquellos electrodos e instantes temporales que resultaron significativos con un nivel de α=0.05 fueron etiquetados y agrupados en clústeres de elementos contiguos espacial y temporalmente. Posteriormente se determinó el estadístico característico del clúster, consistente en la suma de los estadísticos de todos los elementos pertenecientes a dicho clúster. Los clústeres resultantes se compararon contra una distribución nula generada a partir de particiones aleatorias en los datos. Se realizaron 2.000 permutaciones, en las que los sujetos y condiciones fueron etiquetados de forma aleatoria, y se calculó el estadístico característico del clúster mayor. El p-valor característico del clúster, según este procedimiento, será el tanto por 1 de clústeres aleatorios cuyo estadístico característico sea mayor al del propio clúster. Se consideraron significativos aquellos clústeres cuyo p-valor característico resultase ser menor de 0.05.

110 PERs asociados a la inhibición (motora) Stop

Se procedió a calcular 4 análisis de medidas repetidas ANOVA MR, incluyendo las variables Stop (2 niveles: ensayos con éxito en la inhibición y ensayos fallidos, con comisiones) y electrodo (localización PER) para voltaje y latencia por separado, asociados al componente N100 y para voltaje y latencia del componente P300. Grupo fue incluida como variable inter- sujeto en todos los análisis.

Al igual que en el análisis estadístico de la actividad PER asociada los procesos léxicos, se ha computado el test no paramétrico de permutaciones basado en clústeres CBPT, ya que permite detectar clústeres de información relacionada con el proceso cognitivo de una manera complementaria al análisis clásico de ondas promediadas PER y una exploración de los datos libre de modelos, buscando diferencias entre variables sin restricciones. El análisis estadístico se realizó en torno a la actividad relacionada con la inhibición correcta (ensayos con éxito en la retención de la respuesta motora) e incorrecta (comisiones) y para ambos grupos de estudio, desde el inicio del estímulo auditivo hasta 500 ms después. Fue computado para cada electrodo o área, comparando valores de amplitud en cada punto temporal, entre los dos grupos, similar al diseño de ANOVA-RM realizado previamente. Aquellos electrodos e instantes temporales que resultaron significativos con un nivel de α=0.05 fueron etiquetados y agrupados en clústeres de elementos contiguos espacial y temporalmente. Posteriormente se determinó el estadístico característico del clúster, consistente en la suma de los estadísticos de todos los elementos pertenecientes a dicho clúster. Los clústeres resultantes se compararon contra una distribución nula generada a partir de particiones aleatorias en los datos. Se realizaron 2.000 permutaciones, en las que los sujetos y condiciones fueron etiquetados de forma aleatoria, y se calculó el estadístico característico del clúster mayor. El p-valor característico del clúster, según este procedimiento, será el tanto por 1 de clústeres aleatorios cuyo estadístico característico sea mayor al del propio clúster. Se consideraron significativos aquellos clústeres cuyo p-valor característico resultase ser menor de 0.05.

Potencia (MF) en fuentes EEG-MEG

El análisis estadístico de los resultados de MF se realizó empleando un CBPT. En un primer paso se realizó un análisis estadístico individual para cada fuente, comparando los valores de MF entre los dos grupos mediante una prueba t de Student. Aquellas fuentes que resultaron significativas con un nivel de α = 0.01 fueron etiquetadas y agrupadas en clústeres de fuentes contiguas espacialmente y cuyas diferencias tuvieran el mismo signo. Posteriormente se determinó el estadístico característico del clúster, consistente en la suma de los estadísticos de todas las fuentes pertenecientes a dicho clúster.

111 Los clústeres resultantes se compararon contra una distribución nula generada a partir de particiones aleatorias en los datos. Se realizaron 100.000 permutaciones, en las que los sujetos fueron etiquetados de forma aleatoria, y se calculó el estadístico característico del clúster mayor. El p-valor característico del clúster, según este procedimiento, será el tanto por 1 de clústeres aleatorios cuyo estadístico característico sea mayor al del propio clúster. Se consideraron significativos aquellos clústeres cuyo p-valor característico resultase ser menor de 0.05.

Conectividad (ciPLV) en fuentes EEG-MEG

El análisis estadístico de los resultados de CF se realizó empleando un CBPT. En un primer paso se realizó un análisis estadístico individual para cada par de regiones, comparando los valores de CF entre los dos grupos mediante una prueba t de Student. Aquellas conexiones que resultaron significativas con un nivel de α = 0.01 fueron etiquetadas y agrupadas en clústeres de conexiones contiguas y cuyas diferencias tuvieran el mismo signo. En este caso se definieron como conexiones contiguas aquellas que compartieran una de sus regiones, de forma que todas las regiones pertenecientes a un clúster pueden conectarse con todas las demás a través de conexiones significativas. Posteriormente se determinó el estadístico característico del clúster, consistente en la suma de los estadísticos de todas las conexiones pertenecientes a dicho clúster.

Los clústeres resultantes se compararon contra una distribución nula generada a partir de particiones aleatorias en los datos. Se realizaron 100.000 permutaciones, en las que los sujetos fueron etiquetados de forma aleatoria, y se calculó el estadístico característico del clúster mayor. El p-valor característico del clúster, según este procedimiento, será el tanto por 1 de clústeres aleatorios cuyo estadístico característico sea mayor al del propio clúster. Se consideraron significativos aquellos clústeres cuyo p-valor característico resultase ser menor de 0.05.

Parámetros de la red (conectividad ciPLV)

Para comparar entre grupos las medidas globales de eficiencia y longitudes de vía características en las bandas de frecuencia Beta2 y Gamma, se utilizó el estadístico t de Student. En el caso de los parámetros a nivel local, el análisis fue realizado mediante ANOVA-MR, incluyendo como variables parámetro de la red (3 niveles: degree/ grado de conexiones para cada nodo, nivel de agrupamiento o triángulos de conexiones asociados a cada nodo y eficiencia local de cada nodo) y nodo (74 regiones atlas AAL), así como Grupo (pacientes y controles). Se calcularon dos ANOVA-MR diferentes, uno para la banda Beta2 y otro para Gamma.

112