Você está na página 1de 22

[Digite texto]

[Digite texto]

[Digite texto]

KAYO DOUGLAS DA SILVA

ESTUDOS DE CAUSALIDADE ENTRE VARIVEIS USANDO DADOS DE


RESSONNCIA MAGNTICA DO CREBRO

SO BERNARDO DO CAMPO - SP
2015

[Digite texto]

[Digite texto]

[Digite texto]

KAYO DOUGLAS DA SILVA

ESTUDOS DE CAUSALIDADE ENTRE VARIVEIS USANDO DADOS DE


RESSONNCIA MAGNTICA DO CREBRO

Projeto de pesquisa atendendo ao


edital 01/2015 de iniciao cientfica
Fundao Universidade Federal do
ABC
Orientador: Joo Ricardo Sato

SO BERNARDO DO CAMPO - SP
2015

[Digite texto]

[Digite texto]

[Digite texto]

SUMRIO
1

Resumo.................................................................................................................................. 4

Introduo ............................................................................................................................. 4

2.1

Causalidade ................................................................................................................... 4

2.2

Conectividade Cerebral ................................................................................................. 5

Objetivos ............................................................................................................................... 7
3.1

Objetivo Geral ............................................................................................................... 7

3.2

Objetivos Especficos ..................................................................................................... 7

Metodologia .......................................................................................................................... 7
4.1

O algoritmo LiNGAM ..................................................................................................... 7

4.1.1

Anlise do Algoritmo ............................................................................................. 9

4.2

Aplicaes em neurocincias para estudar a conectividade cerebral ........................ 10

4.3

O consrcio ADHD-200 ................................................................................................ 11

4.4

O processamento de informaes .............................................................................. 12

4.4.1

Obteno dos dados............................................................................................ 12

4.4.2

Organizao das informaes ............................................................................. 12

4.4.3

Tratamento dos resultados ................................................................................. 13

Resultados ........................................................................................................................... 14
5.1

Grupos ......................................................................................................................... 14

5.2

Bootstrapping .............................................................................................................. 18

Discusso ............................................................................................................................. 19

Referncias Bibliogrficas ................................................................................................... 20

[Digite texto]

[Digite texto]

[Digite texto]

RESUMO
Muitos pesquisadores em neurocincia e biomedicina tm recorrido

causalidade na tentativa de compreender o fluxo de informao entre estruturas


cerebrais e como ele pode acarretar neuropatologias, como o dficit de ateno. O
mtodo para realizar tal observao se constitui de duas partes: a obteno de dados de
imagens por algum sistema de mapeamento neural, e a anlise destes dados. Os dados
podem ser obtidos por mtodos como o eletroencefalograma ou a Imagem por
Ressonncia Magntica funcional.
Para a anlise da informao colhida, pode ser usado o algoritmo Acclico
Linear No-Gaussiano (LiNGAM, do ingls Linear Non-Gaussian Acyclic Model), o
qual no possui limitao quanto ao rudo ou a distribuio dos dados, j que a nogaussianidade um de seus parmetros. O pooling aplicado ao LiNGAM supre uma
demanda do algoritmo pelo nmero de pontos de dados reunindo indivduos em grupo
com variabilidade mnima, criando um individuo tpico, combinao de anlises de
indivduos distintos.

2
2.1

INTRODUO
Causalidade
Causalidade constitui-se da relao entre dois ou mais eventos em uma

passagem temporal, sendo o primeiro a causa e o ltimo o efeito. Dentre os


inmeros exemplos nos quais podemos aplicar ou buscar o conceito de causalidade, o
mais comum seria a relao entre o caso do fumo e o cncer de pulmo [1]. As polticas
contra o tabaco afirmam que fumar aumenta a chance de um indivduo desenvolver
cncer de pulmo. Por outro lado, a indstria defende a teoria do gentipo, que diz que
uma probabilidade biolgica do indivduo causa comum ao desenvolvimento do
cncer e nsia por nicotina.
Outros exemplos famosos podem ser citados para que se entenda a
complexidade da relao entre causa e efeito, como o da relao entre a diferena de
salrio e a de formao entre homens e mulheres ocupando cargos semelhantes [2]. Essa
complexidade vai alm do desafio de identificar essa relao, ela tambm est na
formalizao de seus argumentos e enunciados [3]. O grande obstculo o fato de a
relao causar no se encontrar no vocabulrio padro da probabilidade, isto A

[Digite texto]

[Digite texto]

[Digite texto]

independente de B diferente de A no causa B para dois eventos A e B diversos,


levando em considerao as tabelas de contingncia de Pearson como prova da
dependncia.

2.2

Conectividade Cerebral

O crebro constitudo, entre vrios elementos, de uma imensa teia de neurnios


que no possuem causa-final quando isolados [4]. Nessa teia, podemos identificar
padres de conectividade entre neurnios individuais ou grupos de Neurnios e utilizar
dessas conexes para entender o fluxo de informao no crebro do indivduo [5]. Esse
fluxo medido por ligaes de interaes causais e de dependncia estatstica e pode ser
dividido em trs nveis de estruturas: as micro(neurnios e sinapses), as meso (grupos
de neurnios) e as macroestruturas (regies do crebro).
As unidades desses nveis possuem complexidades proporcionais ao nmero de
neurnios (e, portanto, de ligaes) envolvidos. Essas estruturas detm especificidade
no que diz respeito ao arranjo de suas unidades e variabilidade em tamanho, funo e
comprimento das ligaes.
Essas correlaes cruzadas entre regies podem ser vistas tambm por anlises
em trs dimenses que detectam perturbaes e interferncias direcionais causais - ou
no direcionais -de dependncia- em seus impulsos. Essas anlises operam a partir de
modelos computacionais e matemticos, como equaes estruturais e softwares de
modelagem de dados.
Visto que a conectividade cerebral pode ser estrutural (ligaes entre unidades),
funcional (dependncia estatstica) ou eficaz (causalidade), nos possvel em processos
de neuroimagiologia as atividades destas conexes distintamente, o que contribui
altamente para a acurcia no diagnstico de uma doena cerebral e at em uma cirurgia
no rgo [6].
A conectividade estrutural ou anatmica, que envolve sinapses e seus arranjos,
mais estvel e rgida em organizao quando as escalas ocorrem em tempo curto, ou
seja, de segundos a minutos. Em tempos maiores, essa organizao tende a passar por
alteraes de forma. Sua rede se comporta como o de uma rede Small-world com alto
coeficiente de cluster, isto , devido ao grande nmero de vrtices centrais (clusters), O
comprimento das conexes entre os vrtices reduzido, facilitando o fluxo de
informao [7].

[Digite texto]

[Digite texto]

[Digite texto]

A conectividade funcional envolve conceitos estatsticos como correlao e


covarincia, que levam s tabelas de contingncia de Peason citadas anteriormente, para
mensurar alteraes nas relaes de independncia de grupos separados da rede. Esse
tipo de conectividade muito mais dependente do tempo e pode tomar intervalos
infinitesimais para que se possam identificar alteraes notveis. Estudos indicam que,
assim como na conectividade estrutural, a funcional possui arranjo de rede small-world,
embora anlises mais detalhadas [8] indiquem organizao fractal entre as unidades
observadas.
A interface entre essas duas estruturas, a conectividade eficaz, representa
relaes temporais e direcionais dos efeitos de um elemento em outro, isto , mede as
relaes de causalidade entre regies do crebro. Alguns modelos so usados para que
se entendam as diferenas, durante o cumprimento de tarefas dependentes de tempo,
entre regies distintas (ou conjuntos de neurnios) do crebro.
Uma das principais ferramentas na anlise da conectividade eficaz a
Causalidade de Granger [9], que tem como pressuposto o fato de a causalidade ser
unilateral em relao ao tempo, ou seja, um evento nunca ocorre antes de sua causa.
Esse conceito foi aplicado em Eletroencefalogramas (EEG) e Ressonncia Magntica
Funcional (fMRI) para construir graficamente um esboo do fluxo de informaes
atravs de impulsos transcranianos.
Dentre diversos mtodos de construir, graficamente, uma interpretao para a
anlise de conectividade, podemos destacar dois recursos: grafos e matrizes. Grafos so
objetos matemticos constitudos de pontos (vrtices) e suas conexes (arestas) [10]. Ao
estudar conectividade cerebral, podemos entender unidades neurais como os vrtices e
suas conexes (fibra, sinapses, caminhos etc.) como arestas. Esses grafos podem ser
extrados de matrizes onde os ndices so os vrtices e seus valores indicam se h
conexo entre eles.
Os grafos possuem a vantagem de fornecer facilmente informaes sobre
clusters (vrtices com maior nmero de conexes), o que diminui o trabalho necessrio
para se criar uma anlise estatstica visando compreender a correlao entre duas ou
mais regies geograficamente distantes, mas que apresentam um nmero grande de
caractersticas semelhantes quando calculamos suas variaes em relao ao tempo ou
frequncia e as tarefas por elas efetuadas.

[Digite texto]

3
3.1

[Digite texto]

[Digite texto]

OBJETIVOS
Objetivo Geral
Estudar a conectividade cerebral em indivduos saudveis.

3.2

Objetivos Especficos
- Investigar relaes de causalidade entre a atividade da rede modo padro e da

rede de controle cognitivo;


- Avaliar os efeitos do TDAH na intensidade desta causalidade utilizando o
LiNGAM;
- Comparar estes efeitos entre indivduos saudveis e portadores do Transtorno
(e seus subgrupos) usando o Modelo Linear Geral, um modelo estatstico para testar a
significncia destas variveis.

4
4.1

METODOLOGIA
O algoritmo LiNGAM
Os estudos acerca da causalidade levaram tericos a construir modelos de

equao de forma a prever o efeito de uma interferncia numa teia de eventos que
apresentam dependncia direcional (causa-efeito). As desvantagens dos mtodos
utilizados (linear-gaussianos) so as estruturas possveis, enquanto o LiNGAM (linearno-gaussiano) pode assumir estruturas que permitem estimar toda a causalidade de um
sistema sem indeterminaes.
Esse modelo atende a um conjunto de dados e deve ser:
- Acclico: um evento no pode causar um evento anterior ou ser efeito de um de
seus sucessores;
- Linear: a funo possui variveis de primeiro grau somadas a um valor de
perturbao (interferncia);
-No-Gaussiano: os valores de perturbao devem ser variveis aleatrias com
distribuio no-gaussiana, possuir varincia no-nula e ser independentes entre si.
Os modelos que se baseiam na distribuio gaussiana, como os estudados por
Pearl [11] e por Spirtes [12] possuem a vantagem de, em sua tabela de covarincia, ser
mais fcil observar padres de causalidade. A desvantagem est no fato de a matriz de
covarincia no ser clara em relao direo da causalidade, apenas sua intensidade.
Nos modelos no-gaussianos, essa propriedade evidente.

[Digite texto]

[Digite texto]

[Digite texto]

O modelo de LiNGAM um Modelo de Equao Estruturada(SEM)


representado por:
=

+ (1)

()<()

no qual os , que correspondem aos valores de perturbao, so variveis


exgenas e contnuas, os representam a fora de conexo de um para um , que
so variveis para eventos ou propriedades.
Na forma matricial, a equao anterior pode ser escrita como:
= + (2)
essa representao, onde B a matriz fora de conexo e e o vetor de
perturbao, explicita o carter no gaussiano do modelo LiNGAM [13]. Devido ao
carter acclico nas relaes de causa entre vrios eventos , podemos compreender
que, enquanto um evento inicial (em relao ao tempo), pode ser causa de todos os
outros, um evento final no pode causar a nenhum outro, logo, podemos particionar o
conjunto de eventos em classes que representam o grau de causalidade de cada
elemento, isto , quantas aplicaes de relaes causais so necessrias para que se
implique esse evento partindo de um x inicial [14]. Ao se aplicar a linearizao dos
ndices da matriz pela relao de grau de causalidade, obtm-se uma matriz triangular
inferior.
O LiNGAM possui, tambm, a caracterstica da identificabilidade, isto ,
possvel obter-se um nico valor da fora de conexo conhecendo apenas das varveis
. Aplicando-se a lgebra matricial, obtemos da equao (2):
= (3)
no qual = ( )1 . A equao (3) mostra que o modelo corresponde a um
modelo de Anlise de Componente Independente (ICA), isto , pode ser descrita como
= , nos quais os coeficientes de s so independentes e com distribuio nogaussiana, condies satisfeitas pelo vetor de perturbao e. O modelo ICA tem
identificabilidade comprovada, implicando na identificabilidade do LiNGAM.
Embora aquele modelo possua indeterminaes em relao s permutaes, no
LiNGAM elas so sanadas quando se nota que h apenas uma permutao possvel para
B e, assim, para A.

[Digite texto]

[Digite texto]

[Digite texto]

4.1.1 Anlise do Algoritmo


Foram realizados vinte testes da eficincia computacional do LiNGAM: dois
tamanhos de sries temporais (cem e dez mil dados por vetor) X trs distribuies de
valores (uniforme, nomal e t de student com 3 graus de liberdade) X quatro estruturas
causais.
Estrutura 1
Equao Geradora:
A=1000*rand(t,1);
B=9.545*A+1000*rand(t,1);
C=15.632*B+1000*rand(t,1);
D=7.994*C+1000*rand(t,1);
E=5.645*D+1000*rand(t,1);

Figura 1- Estrutura linear sequencial

U
N
T
100 0,00964 2,000065 0,395892
10k 0,000456 0,001356 0,000844
Tabela 1- Valores de EA1 encontrados nos testes da Estr. 1

Estrutura 2
Equao Geradora:
A=1000*rand(t,1);
B=9.1532*A+1000*rand(t,1);
C=8.3424*A+12.3423*B+1000*rand(t,1);
D=9.9213*A+5.3429*B+4.2131*C+1000*rand(t,1);
E=10.3424*A+8.2343*B+13.9348*C+6.3248*D+1000*rand(t,1);

A
B

Figura 2 Estrutura crescente completa

U
N
T
100 0,43345 0,590344 0,669784
10k 0,03252 0,038028 0,033964
Tabela 2 - Valores de EA encontrados nos testes da Estr. 2
1

Erro Absoluto. Considerando que o mdulo do valor numrico esperado irrelevante, utilizamos apenas
o mdulo da diferena entre o valor esperado e o obtido.

[Digite texto]

[Digite texto]

[Digite texto]

Estrutura 3
Equao geradora:
A=1000*rand(t,1);
B=1000*rand(t,1);
C=8.7493*B+5.3947*A+1000*rand(t,1);
D=9.5940*C+1000*rand(t,1);
E=8.3950*C+1000*rand(t,1);

B
C

Figura 3 - Estrutura Cruzada

U
N
T
100 0,03906 0,706436
0,0516
10k 0,006152 0,641104 0,003756
Tabela 3 - Valores de EA encontrados nos testes da Estr. 3

Estrutura 4
Equao Geradora:
A=1000*rand(t,1);
B=12.7594*A+1000*rand(t,1);
C=3.3323*A+1000*rand(t,1);
D=10.0004*B+1000*rand(t,1);
E=6.4853*C+1000*rand(t,1);

A
B

Figura 4- Estrutura bifurcada

U
N
T
100 0,055265 0,152744 0,153728
10k 0,002328 0,001428 0,002204
Tabela 4- Valores de EA encontrados nos testes da Estr. 4

4.2

Aplicaes em neurocincias para estudar a conectividade cerebral


Os estudos acerca da causalidade tm sido combustveis valiosos na rea da

cognio. Neurocientistas tm buscado formas de transformar os dados colhidos em

[Digite texto]

[Digite texto]

[Digite texto]

sistemas de mapeamento cerebral em funes matemticas das quais podemos inferir


sobre a conectividade eficaz.
Entre as desvantagens encontradas na implementao desses mtodos figura o
fato de grande parte deles ser orientada a modelos pr-determinados, majoritariamente
gaussianos, o que no corresponde realidade da informao coletada. Outra
desvantagem, apresentada por outros mtodos, a sensibilidade a rudos, ou
perturbaes, o que acarretaria concluses falsas.
O algoritmo que melhor se adequa ao problema, o LiNGAM, tem sua acurcia
limitada a um conjunto grande de dados, cerca de trs vezes maior que o colhido em
uma fMRI, portanto, para que se possa us-lo em uma anlise, foi necessrio criar um
mtodo adicional, que rene pontos de dados atravs de indivduos, o pooling
LiNGAM, ou pLiNGAM [15].
Trs mtodos principais podem ser usados para a coleta de informao: o Sujeito
tpico Virtual (VTS), que divide grupos com caractersticas assumidamente
equivalentes, desconsiderando variabilidade entre os indivduos, a estrutura individual
(IS), que analisa cada informao individualmente, mas no trabalha bem com grupos e
a estrutura comum (CS), que sujeita todos a uma mesma estrutura. O mtodo que
melhor se adequa demanda o VTS.
O mtodo VTS baseia-se em levantar dados de diversos indivduos e, desses
dados, criar um indivduo-V, o qual possui nmero maior de informao do que o de um
indivduo real. Aps o levantamento desses dados, temos um nmero de informaes
igual ao produto do nmero de indivduos e do nmero de informaes por indivduos.
Com essas informaes em mos, utilizamos o mtodo ICA-LiNGAM normalmente
para a anlise, considerando-o enviesado, apenas por questo de optimizao de clculo.

4.3

O consrcio ADHD-200
conhecimento acerca de psicopatologias tem passado por avanos substanciais

nos ltimos anos [16]. O mtodo de ressonncia magntica funcional tem potencial de
crescimento imensurvel quando se pensa em quantos novos problemas podem por ele
ser solucionados. No entanto, ainda insuficiente o conhecimento que se tem a respeito
de condies neurais.
Um dos obstculos no avano da pesquisa a falta de um grande banco de dados
de imagens cerebrais contendo informao sobre fentipos e patologias psicolgicas.
Obstculo maior o custo de tempo e capital para o recrutamento de indivduos, coleta

[Digite texto]

[Digite texto]

[Digite texto]

e anlise de dados. de se observar que o ambiente da ressonncia magntica


desconfortvel, principalmente para crianas e pessoas com a condio a ser analisada.
No entanto, uma iniciativa, o 1000 Functional Connectomes Project ou FCP,
tem auxiliado no avano da reunio desses dados [17]. Esse projeto conta com um
banco de dados colaborativo com amostras colhidas de ressonncia magntica por um
nmero crescente de laboratrios ao redor do mundo. Durante o levantamento,
pesquisadores que trabalhavam em pesquisas sobre Dficit de Ateno uniram-se e
criaram o consrcio ADHD-200.
O consrcio tem como objetivo ampliar o conhecimento cientfico a respeito de
transtornos de ateno. Entre os dados analisados esto fMRI de crianas e adolescentes
com TDAH ou tendncia colhidos, de oito laboratrios independentes localizados em
trs continentes. Uma competio ainda foi criada com o objetivo de levar mais
profissionais ao campo de pesquisa. Dos dados analisados nessa competio derivam
novos mtodos e modelos de medio e deteco de padres baseados em fentipos
[18].

4.4

O processamento de informaes

4.4.1 Obteno dos dados


Para melhorar o acesso aos dados colhidos, um pr-processamento foi realizado
na Virginia Tech Carilion2 por Cameron Craddock, atualmente na Child Mind Institut3e,
chamado The Athena Pipeline. Esse algoritmo tem o objetivo de fazer normalizaes e
diminuir rudos e interferncias, como correo do movimento da cabea, da massa
branca e do Fludo Cerebrospiral, sendo, dos dois ltimos, os nveis de oxigenao do
sangue (BOLD) que foram usados na obteno dos dados amostrais [19].

4.4.2 Organizao das informaes


Foram analisadas setecentas e cinquenta e nove amostras de tabelas com dados
de fMRI categorizados em trs grupos de trabalho:

Grupo Controle: sujeitos de avaliao caracterizados como saudveis


para o diagnstico de dficit de ateno;

2
3

Grupo Desatento: sujeitos de avaliao caracterizados como ;

http://www.vtc.vt.edu/
http://www.childmind.org/

[Digite texto]

[Digite texto]

[Digite texto]

Grupo Combinado: sujeitos avaliados com dficit de ateno e


hiperatividade;

O primeiro objetivo era avaliar os trs grupos e obter o ndice de causalidade


entre as sries temporos do sinal BOLD de quinze regies selecionadas a partir de
trezentas e cinquenta e um iniciais conforme tabela abaixo:

ndice
13
21
41
46
55
65
278
248
113
160
182
240
273
345
233

Regio
L IPL
L Posterior temporal
L Posterior cingulate
R Posterior temporal
L Middle temporal
L Middle occipital
vmPFC
R Posterior cingulate
L aI/fO
R Middle temporal
R Temporal pole
dACC/msFC
L Temporal pole
L Anterior fusiform
R aI/fO

Tabela 5 Regies de interesse4

4.4.3 Tratamento dos resultados


O teste de Bootstrapping, utilizado para analisar os grupos, tem como objetivo
aproximar conjuntos distintos para que se verifiquem semelhanas ou diferenas entre
eles e se obtenha um intervalo de confiana. Na anlise utilizada com o LiNGAM, o
Bootstrap serviu para calcular o parmetro original da diferena entre a taxa de
recebimento (Degree In) e a taxa de envio (Degree Out) das quinze regies e de mil
colees falsas de dados (Bootstraps) obtidas trocando as entradas de grupo.
O algoritmo do Boostrapping consiste em:
1. Organizar as x1 entradas do grupo controle, x2 do grupo desatento e x3
do grupo combinado;
2. Executar o algoritmo para os 3 grupos;
3. Gerar os vetores de Degree Out e Degree In para cada um dos 3 grupos;
4. Gerar vetores diferena entre os grupos, dois a dois (Original);

http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3621133/table/T2/

[Digite texto]

[Digite texto]

[Digite texto]

5. Reordenar as entradas, atribuindo s primeiras x1 o label 0, s prximas


x2 label 1 e s ltimas x3 o label 3;
6. Executar o algoritmo para cada Label;
7. Gerar Vetores Degree Out, Degree In e Diferena (Bootstrap);
8. Refazer os passos 5 a 7 mil vezes, organizando os vetores diferena em
seis matrizes;
9. Calcular a proporo de clulas dos vetores diferena Bootstrap que so
menores ou iguais s suas referentes no vetor Original
10. Calcular o p-valor5, ou seja, 1 menos o resultado obtido para cada
proporo;

RESULTADOS

5.1

Grupos
Como resultado da avaliao pelo LiNGAM, conseguimos obter o perfil padro

de cada grupo, modelado como grafo para mais rpida compreenso das diferenas
entre eles:

Erro tipo 1, ou seja, probabilidade de a hiptese nula ser falsa ao julgarmos verdadeira

[Digite texto]

[Digite texto]

[Digite texto]

Figura 5 - Perfil de causalidade do grupo controle (as setas apontam no mesmo sentido que a causalidade, a
espessura da linha indica a sua intensidade O tracejado representa espessura mnima e a cor o sinal do
valor numrico: azul para positivo e vermelho para negativo. Os nmeros nos vrtices referem-se s reas
indicadas na tabela 5);

[Digite texto]

[Digite texto]

[Digite texto]

Figura 6- Perfil de causalidade do grupo desatento (as setas apontam no mesmo sentido que a causalidade, a
espessura da linha indica a sua intensidade O tracejado representa espessura mnima e a cor o sinal do
valor numrico: azul para positivo e vermelho para negativo. Os nmeros nos vrtices referem-se s reas
indicadas na tabela 5);

[Digite texto]

[Digite texto]

[Digite texto]

Figura 7 - Perfil de causalidade do grupo combinado (as setas apontam no mesmo sentido que a causalidade, a
espessura da linha indica a sua intensidade O tracejado representa espessura mnima e a cor o sinal do
valor numrico: azul para positivo e vermelho para negativo. Os nmeros nos vrtices referem-se s reas
indicadas na tabela 5);

[Digite texto]

[Digite texto]

[Digite texto]

A observao das diferenas entre os grupos possvel atravs de tais perfis,


mas exigida anlise estatstica para fins de rigor cientfico.

5.2

Bootstrapping
Realizado o teste de hiptese, com hiptese nula negando a semelhana entre os

grupos, obtm-se o p-valor para cada regio e combinao de grupos


Regio

Degree In
(C-D)

Degree In
(C-H)

Degree In
(D-H)

Degree Out
(C-D)

Degree Out
(C-H)

Degree Out
(D-H)

L IPL
L Posterior temporal
L Posterior cingulate
R Posterior temporal
L Middle temporal
L Middle occipital
vmPFC
R Posterior cingulate
L aI/fO
R Middle temporal
R Temporal pole
dACC/msFC
L Temporal pole
L Anterior fusiform
R aI/fO

0,087
0,209
0,132
0,045
0,183
0,201
0,914
0,141
0,281
0,325
0,865
0,31
0,724
0,434
0,662

0,07
0,209
0,121
0,12
0,172
0,191
0,892
0,104
0,24
0,219
0,9
0,087
0,711
0,415
0,69

0,05
0,116
0,053
0,082
0,092
0,118
0,489
0,113
0,12
0,122
0,447
0,079
0,326
0,177
0,242

0,497
0,496
0,5
0,496
0,503
0,495
0,5
0,497
0,5
0,502
0,499
0,496
0,498
0,496
0,497

0,263
0,12
0,503
0,253
0,802
0,119
0,644
0,133
0,4
0,631
0,535
0,09
0,256
0,174
0,083

0,15
0,073
0,291
0,124
0,529
0,087
0,286
0,155
0,137
0,282
0,249
0,056
0,109
0,068
0,044

Tabela 6 - Resultados do Teste de Bootstraping para Degree In e Out dos grupos de referncia (C: Controle;
D: Desatento; H: Combinado ou Hiperativo)

Nota-se que, em um dos resultados apresentados na tabela acima, no h


evidncias contra a hiptese nula. Dessa forma, podemos dizer que a chance de
dizermos que dois indivduos so de grupos diferentes (ao analisarmos as regies de
interesse) sendo eles do mesmo grupo desprezvel.

[Digite texto]

[Digite texto]

[Digite texto]

DISCUSSO
Buscando comparar estatisticamente as redes Modo padro e controle cognitivo

entre indivduos com TDAH, os mesmos com perfil combinado (TDAH e


Hiperatividade) e seus pares diagnosticados como saudveis, foi utilizado o mtodo
LiNGAM para verificar ou encontrar evidncias de que h diferena na estrutura da
rede entre esses trs grupos de amostras. De fato, ao processarmos o algoritmo sobre a
base de dados, foi possvel observar tais evidencias no grafo de causalidade para o n
referente ao Crtex posterior temporal direito. Um dos indicadores que aponta para essa
diferena est nos grafos apresentados na imagem 5,onde a regio identificada como
n de sada, e na imagem 6, como n de entrada. Ainda possvel observar que, embora
inconclusivo para anlise estatstica, esta regio um n intermedirio no perfil de
causalidade do grupo combinado.
Este achado est em acordo com resultados prvios da literatura, nos quais
atravs do Magnetoencefalograma (MEG), foram realizados testes na Aalto University6
e Universidade de Helsinque7 utilizando Go8 e NoGo Trials9 com ativaes entre 355 e
405ms. Desse teste, evidente a maior atividade no Crtex posterior temporal direito
para indivduos com TDAH [20]. O teste para ativaes entre 475 e 575ms tem
resultado semelhante. Um segundo estudo [21], que compara indivduos com
Transtorno de conduta e TDAH, verifica atravs da ressonncia magntica que o Cortex
Posterior Temporal Direito tem visvel aumento de atividade para pacientes com o
Dficit de Ateno em relao ao controle para Sucessful vs Failed Stop Trials e Failed
Stop vs Go Response Trials.
O estudo com o LiNGAM, apresentado neste trabalho, difere dos j realizados
em TDAH com neuroimagem pois combina a anlise de redes com o foco na
identificao da direo de causalidade entre a atividade de regies do crebro distintas
(mensurada pelo sinal BOLD), a despeito de outros estudos que examinavam a
correlao entre essas. O uso de algoritmos para identificao de causalidade
direcionada pouco observado, abrindo espao para novas experincias, em
neurocincia e outros campos que podem utilizar este mecanismo estatstico.
Embora conclusivo, o estudo est sujeito a limitaes, pois a coleta dos dados
pelos pesquisadores do ADHD 200 foi realizada a partir de mltiplos escaners de RM,
6

http://www.aalto.fi/en/
https://www.helsinki.fi/en
8
Testes onde o objetivo executar um comando
9
Testes onde o objetivo no executar um comando
7

[Digite texto]

[Digite texto]

[Digite texto]

com diferentes parmetros de aquisio, ou seja, no h uma uniformidade de aquisio


de dados, embora parte desse rudo possa ter sido atenuada na fase de processamento de
dados com o auxlio da Athena Pipeline. Outra limitao o diagnstico
comportamental realizado que, ao categorizar de forma subjetiva o grupo dos
indivduos, coloca maior variabilidade e heterogeneidade nos dados. O LiNGAM
tambm possui limitaes, pois alm da no-gaussianidade dos dados, pressupe que o
grafo de causalidade se comporta como um grafo direcionado acclico (DAG)

, isto ,

que no h uma ligao dirigida (de causalidade) que comea e termina no mesmo n, o
que pode no ser sempre vlido. Por fim, existe tambm o potencial efeito de
medicamento nos indivduos com TDAH, o que interfere na atividade das regies
estudadas.
Levando em conta a qualidade do resultado encontrado e a verificao atravs de
seus pares, pode-se dizer que h evidncias de que a regio do Posterior Temporal sofre
alterao, ou ativada de forma distinta entre indivduos com o Dficit de Ateno
(Subtipo: desatento) e indivduos saudveis. Abre-se espao para um estudo mais
aprofundado para a utilizao do LiNGAM em testes para diferir o Controle do sujeito
de teste com perfil combinado (TDAH + Hiperatividade).

CONCLUSO
O resultado obtido na pesquisa cientificamente relevante dado o quadro atual

do diagnstico do Dficit de Ateno, onde os pacientes so submetidos a tratamentos


com psicofarmacos aps anlise comportamental do indivduo [22]. O exame atravs de
ressonncia magntica da conectividade cerebral, sucedido do teste estatstico do dado
colhido possui erro muito baixo ao se comparar com a anlise subjetiva comportamental
do paciente.
Futuras pesquisas, com foco no crtex posterior temporal direito podem ser
realizadas comparando indivduos com o dficit de ateno e indivduos saudveis a fim
de refinar o teste e seu resultado, contribuindo para estudos sobre a conectividade
funcional e eficaz na regio.

REFERNCIAS BIBLIOGRFICAS

[1] PEARL, J. Example: Smoking and the Genotype Theory. In: PEARL, J. Causality:
Models, Reasoning and Inference. 2. ed. Cambridge: Cambridge University Press,
2009. p. 83-85.

[Digite texto]

[Digite texto]

[Digite texto]

[2] PEARL, J. Example: Sex Discrimination in College Admission. In: PEARL, J.


Causality: Models, Reasoning and Inference. 2. ed. Cambridge: Cambridge
University Press, 2009. p. 128-130.
[3] PEARL, J. Causality in Search of a Language. In: PEARL, J. Causality: Models,
Reasoning and Inference. 2. ed. Cambridge: Cambridge University Press, 2009. p.
134-139.
[4] LEWIS, T. Connectivity is the key to understand the brain. Live Science, 2013.
Disponivel em: <http://www.livescience.com/40855-brain-connections-no-neuronis-an-island.html>. Acesso em: 2 Abril 2015.
[5] SPORNS, O. Brain Conectivity. Scholarpedia, 2007. Disponivel em:
<http://www.scholarpedia.org/article/Brain_connectivity>. Acesso em: 2 Abril
2015.
[6] SOCIEDADE BENEFICENTE ISRAELITA BRASILEIRA. Neuroimagem
aprofunda
estudo
do
crebro.
Einstein,
2009.
Disponivel
em:
<http://www.einstein.br/einstein-saude/tecnologia-e-inovacao/Paginas/neuroimagem-aprofunda-estudo-do-cerebro.aspx>. Acesso em: 2015 abril 3.
[7] BASTOS, L. D. O. Novos Algoritmos e Resultados Tericos para o Problema
de Particionamento de Grafos por Edio de Arestas. UFF - Universidade
Federal Fluminense. Niteri, p. 113. 2012.
[8] SPORNS, O. Networks of Brain. Cambridge (MA): The MIT Press, 2010.
[9] SETH, A. Granger Causality. Scholarpedia, 2007. Disponivel em:
<http://www.scholarpedia.org/article/Granger_causality>. Acesso em: 3 Abril
2015.
[10] FEOFILOFF, P. O que um grafo? IME - USP, 2014. ISSN BRST. Disponivel
em: <http://www.ime.usp.br/~pf/algoritmos_em_grafos/aulas/grafos.html>. Acesso
em: 3 Abril 2015.
[11] PEARL, J. Causality: Models, Reasoning and Inference. 2. ed. Cambridge:
Cambridge University Press, 2009.
[12] SPIRTES, P.; GLYMOUR, C.; SCHEINES, R. Causation, Prediction and
Search. 2. ed. Cambridge (US): MIT Press, 2000.
[13] SHIMIZU, S. LiNGAM: Non-Gaussian methods for estimating causal
structures. Osaka University. Osaka, p. 48.
[14] MARQUES,
P.
Conjuntos.
Algo
Sobre.
Disponivel
em:
<https://www.algosobre.com.br/matematica/conjuntos.html>. Acesso em: 4 Abril
2015.
[15] XU, L. et al. A pooling-LiNGAM algorithm for effective connectivity analysis
of fMRI data. Beijing Normal University. Pequim. 2014.
[16] FRONT. SYST. NEUROSCI. The ADHD-200 Consortium: a model to advance the
translational potential of neuroimaging in clinical neuroscience. frontiers, 2012.
Disponivel
em:
<http://journal.frontiersin.org/article/10.3389/fnsys.2012.00062/full>. Acesso em:
7 Abril 2015.
[17] INDI.
Learn
More
about
INDI.
fcon
1000.
Disponivel
em:
<http://fcon_1000.projects.nitrc.org/indi/indi_ack.html>. Acesso em: 6 Abril 2015.
[18] INDI.
The
ADHD-200
Sample.
fcon
1000.
Disponivel
em:
<http://fcon_1000.projects.nitrc.org/indi/adhd200/>. Acesso em: 7 Abril 2015.

[Digite texto]

[Digite texto]

[Digite texto]

[19] SATO, J. R. et al. Evaluation of pattern recognition and feature extraction.


Frontiers in Systems Neuroscience, 24 Setembro 2012.
[20] HELENIUS, P. et al. Impaired engagement of the ventral attentional pathway in
ADHD. Neuropsychologia, Helsinque, 2010 Novembro 2. 5-6.
[21] RUBIA, K. et al. Dissociated Functional Brain Abnormalities of Inhibition. The
American Journal of Psychiatry, Julho 2008. 889-897.
[22] FERRAZZA, D. D. A.; ROCHA, L. C. D. A psicopatologizao da infncia no
contemporneo: um estudo sobre a expanso do diagnstico de "Transtorno de
Dficit de Ateno e Hiperatividade". Interthesis, Florianpolis, 21 Junho 2011.
237-251.
[23] SUPPES, P. A probabilistic Theory of Causality. Amsterdam: North-Holland
Publishing Co., 1970.
[24] NUNEZ, P. L.; SRINIVASAN, R. Eletroencephalogram. Scholarpedia, 2007.
Disponivel em: <http://www.scholarpedia.org/article/Electroencephalogram>.
Acesso em: 3 Abril 2015.
[25] GATASS, R. Fundamentos da Ressonncia Magntica Funcional. Crebro Mente.
Disponivel
em:
<http://www.cerebromente.org.br/n13/tecnologia/ressonancia.htm>. Acesso em: 3
Abril 2015.
[26] SHIMIZU, S. et al. A Linear Non-Gaussian Acyclic Model for Causal
Discovery. Helsinki Institute for Information Technology. Helsinque, p. 28. 2006.
[27] PEARL, J. The art and science of cause and effect. In: PEAL, J. Causality:
Models, Reasoning and Inference. 2. ed. Cambridge: Cambridge University Press,
2009. p. 401-428.
[28] STATACORP. Introduction to structural equation modeling (SEM). Stata: Data
analysis
and
Statistical
Software.
Disponivel
em:
<http://www.stata.com/stata12/structural-equation-modeling/explanation/>. Acesso
em: 4 Abril 2015.
[29] HYVRINEN, A.; OJA, E. Independent Component Analysis. Helsinki
University of Technology. Helsinque, p. 31. Algorithms and Applications.