APRENDIZAJE MOTOR TEMPRANO EN PACIENTES CON ENFERMEDAD DE PARKINSON: UN ESTUDIO DE RESONANCIA MAGNÉTICA FUNCIONAL

Transcripción

1 Facultad de Medicina APRENDIZAJE MOTOR TEMPRANO EN PACIENTES CON ENFERMEDAD DE PARKINSON: UN ESTUDIO DE RESONANCIA MAGNÉTICA FUNCIONAL Proyecto de Investigación Máster Universitario en Neurociencia y Cognición Curso Luis Eudave Ramos Pamplona,

2 La Profesora Dña. María Asunción Pastor Muñoz certifica que el trabajo, Aprendizaje Motor Temprano en Pacientes con Enfermedad de Parkinson: Un Estudio de Resonancia Magnética Funcional, presentado por el/la Licenciado/a (Graduado/a) D. Luis Eudave Ramos para optar al título de Máster en Neurociencia y Cognición, ha sido realizado bajo su dirección y, una vez revisado, no ha encontrado objeciones para que sea presentado a su lectura y defensa. Y para que así conste, firma el presente certificado en Pamplona, a 16 de junio del 2014 María Asunción Pastor Muñoz 2

3 ÍNDICE 1. INTRODUCCION APRENDIZAJE MOTOR Modelo de Doyon Modelo de Hikasaka Neuroanatomía Funcional por RMf Lateralidad y Transferencia del Aprendizaje APRENDIZAJE MOTOR EN ENFERMEDAD PARKINSON ADQUISICIÓN Y ANALISIS DE FMRI Morfometría Cerebral New Segment DARTEL OBJETIVOS MÉTODOS Sujetos Evaluación Neuropsicológica Paradigma Experimental Datos de Conducta Motora

4 6.5 Protocolo de Adquisición de Imágenes Análisis Estadístico RESULTADOS Parámetros de Conducta Motora Resultados de Imagen Funcional DISCUSIÓN Conducta Motora Neuroimagen Funcional CONCLUSIONES BIBLIOGRAFIA

5 1. INTRODUCCION La Enfermedad de Parkinson (EP) es una enfermedad neurodegenerativa que afecta principalmente a los ganglios basales (GB). En la actualidad no existe cura y los síntomas empeoran con el progreso de la enfermedad, por lo que la terapia de rehabilitación puede ser importante para retrasar la pérdida de función motora. Es por ello que el aprendizaje motor temprano juega un papel esencial en la preservación de la calidad de vida de los pacientes con enfermedad de Parkinson. El aprendizaje motor ha sido ampliamente estudiado en sujetos sanos, con lo cual se han definido las estructuras involucradas en este proceso, como lo discutiremos después. Sin embargo, su estudio en pacientes con EP no es tan claro debido a la poca cantidad de estudios al respecto, así como su heterogeneidad: grupos pequeños de pacientes, falta de paradigmas motores estandarizados, disparidad en resultados, características poblacionales, etc. 2. APRENDIZAJE MOTOR El aprendizaje motor se define como el proceso a través del cual una serie de movimientos simples o complejos pasan a ser ejecutados de forma conjunta y sin esfuerzo tras la práctica del ejercicio motor. En general, se han definido dos tipos de aprendizaje motor: aprendizaje explícito e implícito. El aprendizaje explícito consiste en la recolección consciente de experiencias previas mientras que el implícito es un aprendizaje no consciente, no intencional caracterizado por una mejoría conductual. Tradicionalmente el aprendizaje motor se ha considerado como un tipo de memoria procedimental, que consta de dos fases: una fase de aprendizaje motor temprano, donde se realizan correcciones rápidas que mejoran la calidad del movimiento y una fase de aprendizaje motor tardía, en la cual se dan los cambios estructurales-funcionales que permiten su ejecución de manera asintótica o automática 1. Recientemente, otros autores han denominado estas dos fases como fases de adaptación motora y adquisición de habilidades. Éstas son algunas de las definiciones y conceptos comúnmente encontrados en la literatura, sin embargo, dado a la heterogeneidad de los trabajos existe una falta de 5

6 consenso sobre la taxonomía y terminología en este tema. Actualmente se conduce un estudio Delphi a nivel mundial para lograr este cometido 2. A pesar de esto, ya desde hace algunos años existen algunos modelos sobre el aprendizaje motor que con el tiempo han sido validados por otros trabajos. Entre los modelos, estudiaremos dos de los más importantes: los de Doyon y col. 3. y Hikosama y col MODELO DE DOYON Este modelo, propuesto en el 2005, basado en las vías cortico-cerebelosas y corticoestriadas 3,5-8, divide funcionalmente al aprendizaje motor en aprendizaje de una nueva secuencia y motora y adaptación motora (Figura 1). La primer fase, que es común para ambos procesos, denominada como "Fast Learning" determina la rutina motora a ejecutar empleando regiones del estriado, cerebelo, hipocampo y cortezas motora, prefrontales y parietales. Conforme se consolida el aprendizaje, existe una mayor actividad cortical y una disminución de actividad hipocampal. Así, cuando el movimiento se realiza de forma automática tanto para el aprendizaje de una nueva secuencia como para la adaptación motora, esta nueva información se almacena en los circuitos cortico-estriatal y cortico-cerebeloso respectivamente. Figura 1. Modelo de Doyon para el aprendizaje motor. 6

7 2.2 MODELO DE HIKOSAKA Este modelo fue propuesto en el 2002 el cual define al aprendizaje motor como la interacción entre el procesamiento espacial (cinemático) y motor (dinámico) del movimiento. El primero se llevaría a cabo en áreas asociativas de los ganglios basales, cerebelo y corteza prefrontal y parietal; el procesamiento motor en regiones motoras de ganglios basales, cerebelo, así como corteza motora. En fases tardías del aprendizaje, ambos circuitos interactúan entre sí a través del área motora suplementaria (SMA), el área premotora suplementaria (pre-sma) y áreas premotoras. Una vez automatizado, el nuevo movimiento queda almacenado exclusivamente en las zonas de procesamiento motor 9. Figura 2. Modelo de Hikosaka para el aprendizaje motor. 2.3 NEUROANATOMIA FUNCIONAL POR FMRI Una de las herramientas más importantes que ha permitido el estudio funcional de estas vías en el aprendizaje motor ha sido el uso de la RMf (Resonancia Magnética Funcional) 10. Conforme lo propuesto por estos modelos, se han identificado estructuras que muestran un patrón de activación como respuesta a un paradigma de aprendizaje 7

8 motor 11. Se han considerado tres estructuras como esenciales: cerebelo, ganglios basales y corteza motora 12. El cerebelo, estructura presente en todos los vertebrados que filogenéticamente se ha encargado de estimar las consecuencias sensitivas de órdenes motoras (predicción de movimiento, corrección, feedback sensorial). Estos cambios son rápidos, con efectos apreciables y que, si no se refuerzan, desaparecen rápidamente. Esto es congruente con cualquier tipo de adaptación sensitiva, a excepción de la adaptación visuomotora, en la que parecen estar involucradas estructuras extracerebelosas como la corteza parietal. 13 Los ganglios basales son estructuras de las cuales no se han descubierto la totalidad de sus funciones. El principal papel que se le ha atribuido es el aprendizaje temprano de movimientos secuenciales. Esto ha sido ampliamente documentado en diversos estudios en los que el paradigma motor consiste en una secuencia establecida de movimientos 14. Sin embargo, aún no queda claro si su función reside directamente en el aprendizaje de la secuencia y/o en la mejora cualitativa del movimiento que implica la secuencia. Se ha propuesto un aprendizaje con base en el "ensayo-error" donde la actividad de conexiones dopaminérgicas disminuye asociada a la reducción de la variabilidad de movimientos. La corteza motora primaria (M1) actúa como control de movimiento directo (vía corticoespinal) o indirecto (i.e. vía corticocerebelosa); se piensa que otorga mayor control muscular que el que del tronco del encéfalo o la médula espinal, lo cual permite crear nuevas combinaciones de movimiento o movimientos articulares aislados. Un aumento en la velocidad y precisión en movimientos con técnicas de RMf se correlaciona con mayor intensidad BOLD (Blood-Oxygen Level Dependent Contrast) en corteza motora primaria (M1). A largo plazo, mejoras en la habilidad motora se correlacionan con cambios estructurales y una mejor ratio señal-a-ruido por RMf. Cuando se destruyen vías dopaminérgicas hacia M1 se pierde por completo la adquisición de nuevas habilidades motoras. Es importante notar el papel que juega la dopamina, ya que en el aprendizaje modula las redes corticales encargadas de la función motora y la memoria de trabajo 15. Esto lo hace a través de dos vías: la nigroestriatal y su influencia motora sobre la vía tálamo-cortical; y el sistema mesocortical a través de sus conexiones cortico-estriadas hacia la corteza prefrontal y su relación con la memoria de trabajo. 8

9 Otros estudios de conectividad por RMf han permitido identificar otras estructuras que parecen intervenir en el aprendizaje motor 16. Específicamente, han encontrado redes temporo-estriatales 17,18 y fronto-estriatales, notando un incremento en conectividad entre el área motora suplementaria, la corteza cingulada, el putamen y el cerebelo durante la última fase del aprendizaje. En la Tabla 1 se hace un resumen de todas las regiones involucradas en el aprendizaje motor y su función. Región Anatómica Función Corteza prefrontal Decisión, selección de movimientos, procesamiento atencional, aprendizaje por "trial-error" (DLPFC) Corteza cingulada Procesamiento de feedback sensorial, selección de movimiento Pre-SMA Aprendizaje motor explícito temprano, recuperación SMA Aprendizaje implícito, movimientos secuenciales con ritmo Corteza Aprendizaje motor temprano, procesamiento espacial, premotora señalización temporal, neuronas "espejo" Corteza frontal Adquisición de habilidades, conteo e integración numérica inferior Corteza parietal Integración de información sensorial, procesamiento del feedback (inferior), traducción de información motora y espacial, almacenamiento de habilidad (superior) Cerebelo Procesamiento de feedback, procesamiento propioceptivo y visual, detección y corrección de errores, almacenamiento de habilidades Corteza motora Procesamiento de movimientos dependientes de velocidad, primaria almacenamiento de habilidades Ganglios basales Asociaciones sensoriales, aprendizaje y almacenamiento de secuencias motoras (implícito) Tabla 1. Estructuras involucradas en el aprendizaje motor. 9

10 2.4 LATERALIDAD Y TRANSFERENCIA DEL APRENDIZAJE MOTOR Para la selección de un paradigma motor, especialmente en paradigmas de miembros superiores, es importante conocer patrones de activación de acuerdo a la dominancia del sujeto, ya que esto será importante en enfermedades cuyos síntomas se pueden presentar de forma asimétrica como por ejemplo un accidente cerebro-vascular o la enfermedad de Parkinson. La mayor parte de los estudios en este respecto se han enfocado en movimientos ejecutados con la mano dominante principalmente en diestros 19. Sin embargo, en los trabajos que han evaluado la mano no dominante, se ha notado el uso de áreas adicionales a las identificadas en la mano dominante 20,21, aunque los resultados son inconsistentes 22. En relación a las tareas bimanuales, estas muestran un patrón de activación similar al de la mano dominante, con la adición de activación en ínsula derecha, una región que ha sido relacionada con la coordinación de ambos brazos 23,24. Otro de los factores que han sido estudiados, es la transferencia del aprendizaje entre un hemisferio cerebral y el otro. En general, se ha encontrado que es posible la transferencia del brazo dominante al no dominante, pero no al contrario. De igual forma se visto que la temporalidad del movimiento se transfiere independientemente de si se hace con la mano dominante, no dominante o de forma bilateral 25, pero no así la fuerza del movimiento, es que parece depender del entrenamiento propio de cada mano. 3. APRENDIZAJE MOTOR EN LA ENFERMEDAD DE PARKINSON En pacientes con EP se han identificado dificultades en el aprendizaje motor 26. Se ha visto que estos requieren un mayor nivel de práctica para lograr ejecutar un movimiento cualitativamente similar al de los controles. De igual manera se ha detectado una automatización y retención deficientes de los movimientos a largo plazo 27. Dado que en la EP la afectación principal ocurre en los ganglios basales, esto refuerza la idea del papel importante de estos en el aprendizaje motor. Algunos estudios han encontrado que los pacientes con EP presentan un déficit en el aprendizaje de nuevas secuencias 28, sin embargo, un meta-análisis más reciente revela que esto sólo es cierto bajo ciertas circunstancias, como cuando la secuencia motora es compleja, rápida o cuando integra respuestas sensitivas con información espacial

11 También se ha visto que el aprendizaje motor implícito se ve afectado de acuerdo al estadio de la enfermedad, la severidad de los síntomas, así como el estado cognitivo propio del paciente. Con respecto al estadio de la enfermedad, un estudio confirmó la influencia del estadio de la EP -que ya habían sugerido otros trabajos- en el aprendizaje de secuencias 30. Encontró que a menor puntuación de la subescala "Axial" del UPDRS III (asociado con estadio de la enfermedad) presentaba un peor desempeño en el aprendizaje de secuencias. Inclusive, este deterioro se asoció significativamente a altas dosis de tratamiento con levodopa, quizá por su efecto excesivo en regiones extra-estriatales. Aunque existen diversos trabajos dedicados a la evaluación del aprendizaje motor en pacientes con EP 31, los resultados han sido inconsistentes debido al tamaño de muestra de estos, que ha sido pequeño y heterogéneo, así como los paradigmas motores y variables de resultado los cuales han variado mucho entre sí. Otro razón, es que la mayor parte de estos estudios se han enfocado en el estudio de las fases tempranas del aprendizaje motor en los pacientes con EP, por cual es necesario estudios que valoren la retención del aprendizaje a mediano y largo plazo. Además, han sido pocos los estudios encargados de estudiar variables cinemáticas del movimiento (velocidad, aceleración, distancia, tiempo, fuerza, etc.), y cuando lo han hecho ha sido de manera muy heterogénea. Gracias a diversos estudios de RMf se ha podido observar que los pacientes con EP emplean algunos mecanismos de compensación, dado su déficit, para el aprendizaje de un nuevo movimiento. Entre las principales diferencias, identificadas durante el aprendizaje de una nueva secuencia con los dedos de la mano, se encuentran una mayor activación en corteza premotora y parietal inferior, precúneo, así como una hipoactivación de corteza prefrontal en los pacientes con EP, en concordancia con otros estudios. Conforme esta secuencia fue aumentando de dificultad se notó una mayor activación de la SMA en fases tempranas; durante el periodo de automatización del movimiento se notó hipoactivación del SMA, pre-sma y putamen. Otro estudio, donde se evalúa el aprendizaje de un paradigma de secuencia de alcance del tipo ensayo-yerror, en los sujetos sanos se notó una activación de DLPFC, pre-sma, cingulado anterior y estriado izquierdo, mientras que los pacientes con EP mostraron una mayor activación en DLPFC, corteza prefrontal ventral, premotora rostral con hipoactivación 11

12 del estriado. En un paradigma similar al anterior, se ha encontrado también que los pacientes con EP necesitan una mayor actividad de corteza cerebelosa cuando se les compara con los sujetos control 37. En conjunto, esto muestra evidencia de que los circuitos originales del aprendizaje motor -cortico-estriado y cortico-cerebeloso- se mantienen funcionalmente por compensación de otras regiones, y continúa siendo consistente con el modelo de Doyon. Sin embargo muchos de estos estudios no identificaron variables cualitativas del movimiento en cuestión, y los que lo hicieron han mostrado resultados divergentes. Un estudio posterior 38, que estudió distintos parámetro cinemáticos (velocidad, momento de liberación, distancia al centro del blanco, precisión) encontró que en pacientes con EP leve-moderado, en estado ON el aprendizaje temprano a lo largo del tiempo, fue similar al de los controles; aunque de acuerdo a otros estudios esta sí puede verse afectada conforme aumenta la complejidad del paradigma motor. También se detectó que el "fine tuning" definido como selección y reforzamiento de los comandos motores apropiados, fue similar tanto en pacientes como controles. Este resultado fue contrario a lo registrado previamente en la literatura que era heterogénea. El único parámetro estadísticamente diferente en la primera evaluación, fue el momento de liberación de una bola que tendría que golpear un pino de madera, lo cual puede ser análogo a la iniciación del movimiento, función propia de los GB. Sin embargo, este parámetro mejoraba con la práctica e incluso perduraba después de 6 semanas sin práctica. Esto tiene ciertas aplicaciones relevantes, sobre todo para su tratamiento, ya que nos sugiere que, al menos en fases tempranas de la enfermedad, el tratamiento por rehabilitación tiene el potencial de retrasar los déficits en el aprendizaje motor, ya que esta función permanece relativamente intacta, gracias a los procesos de compensación. Esto ya ha sido propuesto en otros trabajos Aunque prometen buenos resultados (evidencia nivel 2) 39, estos estudios sufren de los mismos problemas de las investigaciones mencionadas previamente. Parte de lo que se ha hecho en cuanto a este tipo de tratamiento es la rehabilitación con "señales" (cues) o información sensorial extra. Algunos de estos ejercicios se basan en un feedback aumentado, es decir, el paciente recibe más información sobre su desempeño o progreso. Esto ha mostrado bueno resultados, sin embargo estos empeoran 12

13 al retirársele el feedback al paciente. Otros emplean estímulos sensoriales (auditivos, visuales) que permiten mejorar su desempeño (p.e. mejorar coordinación, cadencia). Estos también han mostrado efectividad y retención a largo plazo, aunque los resultados globales aún son inconsistentes. Otra modalidad de ejercicio de rehabilitación es el que emplea guías, como barras o señales, que facilitan la ejecución/aprendizaje del movimiento. En artículos recientes, se ha comparado la efectividad de este método con otro donde el paciente aprende por sí solo 42 (self-practice) donde el paciente, si así lo decide, puede contar con la ayuda opcional de una barra o poste de balance. Esto ya se ha visto que es más efectivo en pacientes sanos y un estudio demostró una mejor eficacia cuando los pacientes con EP optaban por la opción de self-practice. Un aspecto importante que se deberá tomar en cuenta al momento de realizar un estudio sobre aprendizaje motor en pacientes con EP es el tipo de tratamiento que tenga el paciente al momento de la evaluación. En un modelo computacional, los pacientes en tratamiento con levodopa en comparación con otros con Estimulación Cerebral Profunda (DPS), presentaron un pobre desempeño en tareas de aprendizaje -a pesar de la mejoría de síntomas motores- mientras que los que fueron tratados con DPS mejoraron notablemente su rendimiento. Este hace pensar que aunque la levodopa efectivamente logra mejorar los síntomas motores, esta no es capaz de modular la red involucrada en el aprendizaje motor, quizá por el efecto heterogéneo de la dopamina en el cerebro. Sin embargo, dada la heterogeneidad de todos estos trabajos es difícil tener conclusiones específicas y por tanto, recomendaciones terapéuticas precisas para la rehabilitación en este caso. Se necesitaría lograr algún tipo de "estandarización" o la creación de estudios multicéntricos que permitan la comparación entre estudios y poblaciones de la manera más objetiva posible. Gheysen et al. 43 realizaron una revisión sobre las diferencias entre distintos estudios y discuten la necesidad de crear un modelo integrador que permita unir los diferentes modelos existentes que dicotomizan procesos (aprendizaje implícito/explícito, espacial/motor), y no consideran al aprendizaje como un continuo que depende de todas las variables antes mencionadas. 13

14 4. ADQUISICION Y ANALISIS DE FMRI La RMf es uno de los métodos de imagen funcional más utilizados en las neurociencias, así como también en el ámbito clínico. Esta permite la visualización de zonas cerebrales activadas ante la realización de alguna tarea o incluso en reposo. Existen diversas técnicas para la obtención de imágenes funcionales, sin embargo, la más empleada es la técnica BOLD, la cual consiste esencialmente, en la diferencia entre un estado de oxigenación capilar con uno de desoxigenación, lo cual altera las propiedades magnéticas del hierro contenido en los eritrocitos, siendo esto captado como señales electromagnéticas diferentes, creando un contraste. Esto funciona bajo la premisa en que las neuronas activadas requieren un mayor aporte sanguíneo y por lo tanto de oxígeno- para llevar a cabo sus actividades metabólicas. Las principales ventajas de esta técnica son: que no es invasiva, tiene una gran resolución espacial y tiene un mejor contraste funcional, el cual consiste en una mayor relación señal a ruido (SNR) y menos fluctuaciones. Sin embargo, es necesario tener en cuenta que la técnica BOLD mide exclusivamente activación/desactivación neuronal por cambios en la oxigenación tisular, por lo que es imposible establecer si se trata de una actividad excitatoria o inhibitoria, ya que la respuesta sería igual. Otra desventaja de esta técnica es que para el análisis de los datos adquiridos, se basa en presunciones sobre la adquisición de imagen y la función hemodinámica para poder considerar como válidos los resultados. Posteriormente a la adquisición de las imágenes, estas deben ser procesadas y analizadas para su interpretación. Una de las principales herramientas software, por su calidad y difusión es SPM (Statistical Parametric Mapping), que hasta la última actualización se encuentra en su versión 12b. Este software permite la realización de un preprocesado de imagen genérico que consiste básicamente en los siguientes pasos: el slice-timing correction que permite reajustar los tiempos de adquisición cada corte ya que cada corte fue adquirido secuencialmente- para poder asumir que todas fueron adquiridas en un mismo 14

15 momento. El realineado busca corregir aquellas imágenes que causen algún artefacto consecuencia del movimiento de la cabeza; para hacerlo se basa en una imagen promedio a partir de cual calcula la variación espacial en los ejes cartesianos (3 de traslación y 3 de rotación) del resto de las imágenes y lo corrige. El co-registro permite fusionar las imágenes funcionales corregidas previamente con una imagen de alta resolución, la cual suele ser el volumen del sujeto en contraste T1. Para que los resultados puedan ser comparables entre sujetos y entre otros estudios, mediante la normalización se registra la información de cada sujeto sobre un patrón (template) estandarizado (MNI, Talairach). Finalmente, durante el suavizado se convoluciona la imagen funcional con un kernel o filtro Gaussiano (usualmente entre 4-12 mm) para difuminar diferencias anatómicas, aumentar la SNR y así mejorar el registro intersujeto. Sin embargo, varios de estos pasos incluidos en el preprocesado clásico han sido modificados o incluso eliminados. Por ejemplo Sladky et al. 44 encontraron que ante adquisiciones con tiempos de repetición (TR) mayores de 2 segundos, podrían afectar el slice timing, por lo que no recomienda su uso ante protocolos con TR mayores. Una de las limitaciones de este método de preprocesado es que en la normalización, al llevar todas las imágenes a un cerebro patrón, en el caso de cerebros atróficos o con lesiones -como en pacientes ancianos o con enfermedades neurodegenerativas- las deformaciones realizadas pueden crear diferencias en el registro entre imágenes, alterando significativamente el análisis morfométrico y los mapas de activación. La normalización clásica realiza el registro entre imágenes minimizando la diferencia de suma de cuadrados entre una imagen y su patrón de manera lineal, buscando los 12 parámetros óptimos que cumplen esta condición 45. Sin embargo, esta requiere que la imagen a normalizar sea similar al patrón, ya que de no hacerlo, los parámetros óptimos pueden no ser los mejores. Este puede ser el caso de cerebros morfológicamente muy distintos al patrón usado habitualmente (MNI) como en el caso de pacientes ancianos o con enfermedades neurodegenerativas. 15

16 4.1 MORFOMETRIA CEREBRAL La morfometría cerebral es el campo de las neurociencias encargado de medir y cuantificar las diferencias estructurales cerebrales entre poblaciones de sujetos. La aproximación más utilizada en neuroimagen ha sido a través del análisis de la matriz de voxeles de las imágenes obtenidas con resonancia magnética, principalmente ponderadas en T1. En el preprocesado de imagen, se prepara el tipo de datos que se desean adquirir para que sea fácilmente evaluada mediante análisis estadístico; por ejemplo, se emplean herramientas de segmentación (New Segment) que dividen el volumen cerebral en distintos tipos de tejido -en materia blanca y materia gris- lo cual ayuda a encontrar diferencias volumétricas focales. Existen algunos métodos de estadística univariada como el usado en SPM-GLM (haciendo un análisis estadístico en cada voxel). Sin embargo, más recientemente se han empleado otros métodos más sofisticados que consisten en un análisis multivariado. Uno de estos métodos, el, que es llamado Deformation Based Morphometry (DBM) permite que al normalizar (registrar) dos imágenes se puedan observar y calcular sus deformaciones a través de algoritmos no lineales. En una de sus variantes, llamada Tensor Based Morphometry (TBM) se crea una cuadrícula a partir de sus deformaciones, donde se pueden observar y medir los patrones de contracción/expansión basado en las determinantes Jacobianas. Otro método es el Voxel Based Morphometry (VBM) el cual se basa en la medición de volúmenes regionales de tejido donde se busca producir un mapa de regiones estadísticamente significativas entre poblaciones 46,47. Esto elimina la necesidad de establecer regiones de interés (ROI) de forma manual para su cálculo estadístico. En general, el procedimiento requiere una normalización de las imágenes a estudiar a un espacio estereotáctico común, seguido de una segmentación en materia gris (MG) y blanca (MB). Posteriormente, las imágenes MG son suavizadas y corregidas por múltiples comparaciones utilizando la teoría de campos Gaussianos aleatorios. A continuación se explicarán dos de los nuevos componentes de este método, New Segment y DARTEL (Diffeomorphic Anatomical Registration using Exponentiated Lie algebra), los cuales fueron empleados en este trabajo. 16

17 4.2 NEW SEGMENT Desde la versión 8 de SPM 48 se ha implementado la herramienta New Segment, la cual divide el cerebro hasta en 5 tipos diferentes de tejidos (MG, MN, líquido cefalorraquídeo, cráneo, tejido-no-cerebral) llamados Tissue Probability Maps (TPM). Además, permite la segmentación multi-canal (T1, T2 etc). Cuando se comparan cerebros, el tamaño entre éstos puede diferir e implicar una diferencia volumétrica significativa de materia gris entre ambos. Algunas de las herramientas utilizadas para resolver este problema son el cálculo del volumen total de materia gris o el volumen intracraneal; se suman las MG y MB y se multiplica por el volumen de voxel para obtener el volumen cerebral total. Sin embargo esto no suele explicar satisfactoriamente la totalidad de las diferencias focales de volumen. Estas diferencias pueden ser interpretadas como variaciones en grosor cortical o número de pliegues, aunque también pueden partir de artefactos que clasifiquen o registren la imagen de manera incorrecta. Para resolver con estos problemas realiza un preprocesado de imagen más preciso, especialmente durante la segmentación y la normalización. El marco de trabajo sobre el cual está basada la segmentación es la Mezcla de Gaussianas (MOG). La segmentación, para discriminar entre tejidos, se guía de la intensidad de cada voxel. Pero cuando la diferencia es muy pequeña y con tendencia a diferir entre regiones, es necesario corregir y uniformar. Esto se puede hacer mediante la integración de información a priori de otros cerebros, para ayudar establecer qué tipo de tejido corresponde qué zona cerebral. La segmentación discrimina entre tejidos de acuerdo a un mapa de distribución de intensidad. Existe una diferencia clara entre MG y MB; sin embargo, en otros tipos de tejido -como el tejido-no-cerebral-, al tener un rango de intensidad muy amplio, en ocasiones es difícil de discriminar. Para suavizar y optimizar estas distribuciones es donde se emplea MOG, creando una combinación positiva de Gaussianas (mediante medias, varianzas y proporciones combinadas) que mejor se acomode al mapa de intensidad. Después de extraer la Gaussiana (Non-Gaussian) correspondiente a cada tejido, se emplea nuevamente MOG para caracterizarla. Finalmente esto crea los TPMs, que tienen que ser deformados nuevamente con la imagen original del sujeto. 17

18 Cuando se presenta una imagen alterada se realiza Bias Correction, mediante el cual se crea un mapa de sesgo (intensidades) a partir de los parámetros usados previamente que permite corregir esa imagen. Para encontrar el mejor parámetro u optimizar- de las medias, varianzas y proporciones combinadas se realizan bucles de estos procesos (MOG, Bias Correction) hasta encontrar los valores que minimicen la ecuación. Algunos de estos procesos se presentan como herramientas independientes en SPM para su evaluación. Pese a sus grandes ventajas, New Segment presenta algunas limitaciones. Por ejemplo, asume que el cerebro está formado sólo por los TPMs determinados, por lo que lesiones u otros hallazgos intracraneales pueden alterar los resultados. De igual manera, el espectro de intensidad de materia gris es grande y difícil de distinguir. Los mapas de probabilidad sobre los que se basa, fueron creados a partir de cerebros sanos y jóvenes, por lo que afectará los resultados en poblaciones fuera de este rango. Además, necesita imágenes de buena calidad para poder realizar una distinción válida. 4.3 DARTEL 49 Al registrar dos imágenes distintas, se crea un mapa continuo entre los puntos de una imagen con los de otra mediante un código de donde se optimizan los parámetros de registro. Existen distintas formas de modelar estos mapas, entre las que caben destacar dos categorías de parametrización: la de deformaciones pequeñas, que no necesariamente mantiene la topología y la de deformaciones grandes, que mantiene la topología. En el modelo de deformaciones pequeñas se parametriza mediante campos de desplazamiento; al restar el desplazamiento se puede obtener una inversa aproximada, sin embargo esta empeora conforme la deformación es más grande. En el modelo de deformaciones grandes o difeomórfico- se realiza un mapeo y suavizado 1;1 que además es invertible, con lo que se puede mantener la topología. Otra de las características de esta última, es que promueve la consistencia bajo composiciones de funciones de las deformaciones, en las cuales se toma una función con otra para crear una nueva. Si ambas son difeomórficas, el producto también lo será. 18

19 En un intento por maximizar el suavizado de la imagen, se creó un algoritmo que incluía un campo de velocidad, en el cual se especifican como las velocidades o deformaciones evolucionan en el tiempo. En este trabajo se utilizará el método DARTEL, el cual usa estos campos de velocidad o campos de flujo- pero que se mantiene constante en el tiempo. Este método tiene la ventaja sobre los métodos de deformaciones pequeñas, que sus deformaciones son difeomórficas, invertibles y rápidamente computadas. Al formar una imagen promedio, agrega deformaciones que no se comportan linealmente. Por ello se estima un campo de velocidad (velocity field/flow field) que calcula la dirección en que se mueven los puntos del mapa en una unidad de tiempo, generando una trayectoria no lineal. Se comienza con una deformación pequeña que se escala hasta tener un nivel de comparación 1;1 (p.e -1/256 hasta -1/1). Esto se hace a través de una función minimiza en conjunto a partir de un parámetro de regularización que permite suavizar las varianzas las deformaciones. Dependiendo el parámetro de regularización se originan deformaciones distintas. La función se repite con cada MG y MB de cada sujeto, uniéndose para formar un patrón promedio del grupo. Este promedio no suele estar bien alineado, por lo cual se realizar cierto número de iteraciones lo cual mejora este parámetro y genera una imagen más nítida que permite distinguir regiones cerebrales. Posteriormente realiza un suavizado tradicional de la imagen. Cuando se compara con otros métodos de campos de flujo variables en el tiempo, este presenta la ventaja de tener una velocidad de ejecución mucho más rápida. En estudios que han evaluado distintos algoritmos de registro no lineal, se observó que DARTEL es ofrece mejores resultados que la normalización tradicional de SPM y mejores prestaciones que otros métodos de registro no lineal 50. Este método también presenta algunas desventajas: ya que el registro entre imágenes requiere minimizar los cambios entre la imagen y su patrón, así como la energía que conduce a esta deformación (la cual se calcula con los cambios de velocidad en el tiempo). Por ello, DARTEL necesita que el difeomorfismo tenga una trayectoria de alta energía para lograr un buen registro entre imágenes. 19

20 Otra de las limitaciones es que en DARTEL el registro de un par de imágenes de forma repetida no produce exactamente la misma deformación, si estas cambian por unos pixeles cuando idealmente deberían arrojar resultados iguales. Aunque los resultados de este proceso son más perceptibles al analizar imágenes en T1, también se puede aplicar sobre imágenes funcionales (p.e. T2). Esto permitiría una evaluación funcional que va acorde con las características anatómicas promedio de la población estudiada. 5. OBJETIVOS Los objetivos principales de este trabajo son: - - Realizar un análisis del aprendizaje motor temprano mediante la cuantificación de la conducta motora y de imagen funcional, con la utilización del método DARTEL en pacientes con EP y controles pareados por edad y sexo. Estudiar las variables de conducta motora relacionadas con el aprendizaje motor temprano como regresores y su efecto en los mapas de activación neuronal. El paradigma experimental que será presentado será capaz de analizar distintas funciones cognitivas que participan en el aprendizaje motor temprano: aprendizaje de secuencias, percepción/estimación temporal, memoria de trabajo y atención visuoespacial. Dado que en los pacientes con EP se presenta una depleción dopaminérgica, muchas de estas funciones estarán afectadas, alterando el desempeño de este grupo en la prueba. También seremos capaces de encontrar diferencias funcionales en ambos grupos las cuales estarán mejor caracterizadas gracias al método DARTEL. 6. MÉTODOS 6.1 SUJETOS Para este estudio fueron reclutados 16 pacientes con Enfermedad de Parkinson con diagnóstico según los criterios de Hugues (Hugues et al. 1992) y 28 pacientes sanos. Los criterios de exclusión fueron los asociados al uso del MRI (portador de objeto o 20

21 implante metálico, signo de presión intracraneal elevada, historia de epilepsia, embarazo, condición médica inestable o grave, imagen anatómica anormal) y aplicó para ambos grupos. Para el grupo de pacientes también se determinaron como criterios de exclusión la existencia de demencia y la presencia de trastorno motor que impidiera su evaluación por MRI Para el apartado de análisis de imagen funcional, fueron seleccionados 14 pacientes los cuales fueron pareados por edad y sexo con sujetos sanos. 6.2 EVALUACION NEUROPSICOLOGICA A todos los sujetos les fue aplicada una evaluación neuropsicológica para valorar su estado cognitivo. Fue empleado el Mini-Mental State Examination (MMSE) que realiza una valoración cognitiva general, así como el test SCOPA-COG (Scales for Outcomes of Parkinson s Disease Cognition) que evalúa déficits cognitivos específicos de la EP: memoria, funciones ejecutivas, atención y función visuoespacial. 6.3 PARADIGMA EXPERIMENTAL Antes de iniciar el paradigma, se realizaron pruebas de entrenamiento hasta que el sujeto entendiera la instrucción que tenía que ejecutar. Ya dentro del escáner se les solicitó a todos los sujetos que intentaran reproducir una secuencia de movimientos con los dedos que les era presentada en la pantalla. En total, se realizaron 3 sesiones por sujeto, uno para la mano derecha (D), otro para la mano izquierda (I) y uno más bilateral (B). El diseño del paradigma fue relacionado a eventos (event-related). Cada sesión consistió de 16 bloques de la secuencia control y 16 bloques de la secuencia alternante. La secuencia control fue la misma para las 3 condiciones (M=meñique, A=anular, C=corazón, I=índice): M-A-C-I-M-A-C-I. En cambio, la secuencia alternante fue distinta en cada condición: con la mano derecha C-A-I-A-M-C- I-M; con la mano izquierda A-C-M-C-I-A-M-I; y en la condición bilateral I-A-M-A-C- M-I-C. 21

22 Para cada secuencia, fueron presentados cada una de las 8 dianas correspondientes de formal visual a una frecuencia de 0.67 Hz (1500 ms), dando un tiempo total de 11.8 segundos en la presentación de la secuencia más 12.5 segundos que tenía el sujeto para reproducirla y se le pedía que intentara realizarlo a la misma frecuencia. Después de cada secuencia control se añadieron 4 segundos de descanso en los que el sujeto no realizaba ninguna acción. Las secuencias control y alternante eran presentadas dos veces consecutivas de forma alternada con un intervalo inter-estímulo aleatorio (0-500 ms) al comienzo de cada frecuencia. En total, el tiempo de cada sesión fue de 14.5 minutos. El orden de las sesiones presentadas a cada sujeto varió de forma aleatoria entre ellos. 6.4 DATOS DE CONDUCTA MOTORA Se registraron en todos los sujetos los siguientes parámetros de movimiento: 1) Número de aciertos (NA), o número de presiones sobre la caja de respuesta que se correspondían con las de las secuencias presentada. 2) Tiempo de reacción (TR), o tiempo de respuesta entre la presentación de la cruz fijación y la presión del primer botón. 3) Isocronicidad (IC), o tiempo transcurrido entre presiones consecutivas de cada secuencia. 4) Variabilidad de isocronicidad (VIC), o la diferencia entre presiones consecutivas (ritmo) en cada secuencia. 5) Sincronización manual (SM), o diferencia de tiempo entre la presión del mismo botón ante el mismo estímulo en ambas manos en condición bimanual. 6.5 PROTOCOLO DE ADQUISICION DE IMÁGENES Para la adquisición de imágenes se utilizó un equipo de resonancia magnética Siemens Trio TIM 3 Tesla (Siemens AG, Erlangen, Germany) con una bobina de cabeza de 12 canales. La imagen anatómica fue ponderada en T1 con una resolución de 1x1x1 mm 22

23 con los siguientes parámetros de adquisición: campo de imagen (FOV)=250x187.5x160 mm, 160 cortes axiales, Tiempo de repetición (TR)=1,620 ms, Tiempo de eco (TE)=3.09 ms, Tiempo de inversión (TI)=950 ms y ángulo de elevación (flip angle)=15º. Las imágenes funcionales adquiridas sensibles a la detección de señal BOLD fueron ponderadas en T2*-EPI (Echo-Planar Imaging) con una resolución de 3x3x3 mm sin espacio entre cada corte, con los siguientes parámetros de adquisición: 49 cortes axiales, FOV= 192x192 mm, TR/TE=3000/30 ms, flip angle=30º, en un total de 295 volúmenes adquiridos. PREPROCESADO Se realizó un preprocesado de imagen alternativo utilizando las herramientas New Segment y DARTEL para la segmentación y normalización de cerebros con alteraciones anatómicas por edad y/o enfermedad neurodegenerativa. Se utilizó la aplicación SPM12b que fue ejecutado bajo la plataforma de Matlab v7.9. DICOM-Import Con este herramienta fueron importados los archivos NIfTI-1 (*.nii), siendo estos 295 imágenes funcionales ponderadas en T2* y una imagen anatómica estructural ponderada en T1 (s*.). Por cada imagen importante, tanto funcional como anatómica, fue creado un archivo header (*.hdr) para el almacén y modificación de los parámetros de imagen. El archivo output contiene prefijo f*. Realineado En el realineado o reajuste espacial se posicionan todas las imágenes funcionales para ajustarse a una imagen de referencia, que en este caso se utilizó la primera imagen de cada serie adquirida. Esto con el objetivo de minimizar los artefactos por movimientos de la cabeza dentro del MRI. El archivo output contiene el prefijo rf*. También se aplicó un regresor de movimiento de la cabeza en los 6 ejes, cuya información quedó guardada en un archivo rt.txt. Co-Registro 23

24 Después del realineado de las imágenes funcionales, es necesario realizar un registro de estas sobre la imagen anatómica de tal manera que se ubiquen dentro de la misma localización espacial. Esto permite una correcta asignación de intensidad de señal funcional a nivel individual y facilita su integración en estudios de grupo. En este paso no se cambia la extensión del archivo, sin embargo se modifica el archivo *.hdr de acuerdo a los cambios realizados. Check-Reg Esta herramienta, perteneciente al ToolBox de SPM, se utilizó después de cada uno de los pasos previamente mencionados con el fin de orientar o co-registrar manualmente las imágenes y evitar errores causados por imágenes muy desplazadas. New Segment Una vez co-registradas las imágenes funcionales con la anatómica, esta última fue sometida a la segmentación de tejidos, originando un mapa de materia gris y otro de materia blanca por cada sujeto, destinados a su implementación posterior mediante DARTEL. Los archivos output en este paso, creados a partir de la imagen anatómica contienen el prefijo rc1*. y rc2*. Run DARTEL (create Templates) Mediante esta herramienta del ToolBox de SPM, si integraron las imágenes adquiridas en la paso anterior (MG, MB) para crear un patrón promedio de los cerebros utilizados en nuestro estudio. El archivo output que será utilizado en la normalización es Template_6. Normalize with DARTEL En este último paso se realiza la normalización o deformación de las imágenes funcionales de cada sujeto con respecto al Template_6 creado mediante DARTEL. Esto nos permite crear deformaciones más estables de las imágenes funcionales que mejorarán la especificidad de la señal adquirida, a la vez de ser interpretable por la comunidad científica al estar normalizado con respecto a las coordenadas del MNI. También incluye un efecto de suavizado especial que se realiza mediante la suma de intensidades de los vóxeles y se divide por la cantidad de vóxeles. El archivo output contiene el prefijo swrf*. 24

25 6.6 ANALISIS ESTADISTICO En el análisis de primer nivel, siguiendo el modelo lineal general (GLM) se generó una matriz por sujeto que contenía información de cada condición (derecha, izquierda, bimanual), secuencia (control, alternante) y de los regresores de movimiento. Los contrastes generados fueron los siguientes: alternante < control, alterante < visual, alternante y control para cada condición, así como control derecha < control izquierda y control izquierda < control derecha. En el segundo nivel se realizó una ANOVA de medidas repetidas (mediante un diseño flexible factorial) de dos factores: grupo (2 niveles: EP y VS) y condición mano (3 niveles: derecha, izquierda, bimanual), al cual se le agregó un factor sujeto que permite realizar múltiples comparaciones (within-subjects). Para las comparaciones adicionales (análisis D > I y I < D entre grupos) se realizaron 2- sample t-test. 7. RESULTADOS Los datos demográficos de ambas poblaciones se resumen en la Tabla 2. En total fueron incluidos 16 pacientes con EP y 28 sujetos sanos. De los 16 pacientes, 3 sujetos presentaban afectación izquierda y 1 bilateral; no existieron diferencias de edad o MMSE en ambos grupos. Se encontró una diferencia significativa en la escala global del SCOPA-COG (p=0.001), con diferencias particulares en las pruebas de memoria (p=0.014) y de evaluación de funciones ejecutivas (p=0.042). VS n=16 EP n=28 p-value Edad Lateralidad 75% (12) 100% (28) - (derecha) MMSE SCOPA-COG * Tabla 2. Principales características demográficas de los grupos VS y EP. 25

26 En el grupo de pacientes (Tabla 3), 12 de ellos se encontraban bajo tratamiento con L- Dopa ( mg/día), 13 con algún agonista dopaminérgico (no especificado) y 5 con inhibidores de la monoamino-oxidasa B (IMAO-B). En el momento de las evaluaciones lo pacientes se encontraban en estado ON. Paciente Edad Lateralidad MMSE/30 SCOPA- COG/43 UPDRS- III Tratamiento 1 63 Izquierda L-Dopa 450, 2 agonistas 2 79 Derecha L-Dopa 750, agonista 3 73 Derecha L-Dopa 450, 2 agonistas 4 76 Derecha L-Dopa 500, IMAO-B 5 57 Derecha L-Dopa 850, agonista 6 55 Derecha Agonista 7 48 Derecha IMAO-B 8 62 Derecha L-Dopa Derecha L-Dopa 300, agonista Izquierda Agonista Izquierda Agonista Derecha L-Dopa 800, agonista Derecha L-Dopa 100, agonista, IMAO- B Bilateral L-Dopa 600, 2 agonistas, 26

27 IMAO-B Derecha L-Dopa 400, agonista Derecha L-Dopa 400, 2 agonistas, IMAO-B, amantadina Tabla 3. Desglose de los datos demográficos del grupo EP. 7.1 PARAMETROS DE CONDUCTA MOTORA Los datos de conducta motora adquiridos (NA, TR, IC, VIC, SM) se promediaron por grupo (VS, EP), por condición (D, I, B) y por secuencia (control, alternante). Los resultados de las variables representativas (NA, TR, IC) se resumen en la Figura 3. 27

28 Figura 3. Diagrama de cajas que compara VS vs EP por condición en los parámetros Aciertos, Tiempo de Reacción (RT) e Isocronicidad. Se cuantificaron los aciertos por cada secuencia en todos los sujetos, durante las tres series (Figura 4). Los pacientes con EP, tanto en la secuencia control como en la alternante, mostraron un número menor de aciertos en las condiciones derecha, izquierda y bilateral. Además se observó en los voluntarios sanos un claro aumento en la cantidad de aciertos durante el transcurso de las 16 secuencias de la secuencia alternante, mientras que los pacientes lo hacían a ritmo significativamente menor (p<0.001 en todas las condiciones). Figura 4. Número de aciertos entre voluntarios sanos (VS) y pacientes con enfermedad de Parkinson (EP). Todas las comparaciones tienen una p< El RT fue registrado como el tiempo a la primera presión de botón de cada secuencia, realizando un promedio de todos los sujetos (Figura 5). En todas las modalidades, el RT fue significativamente mayor en los pacientes con EP (p<0.001) al ser comparado con los controles. También se encontró un tiempo mayor estadísticamente significativas en 28

29 todos los sujetos al comparar secuencia alternante contra control, a excepción de la condición bimanual. Figura 5. Tiempo de reacción entre voluntarios sanos (VS) y pacientes con enfermedad de Parkinson (EP). Todas las comparaciones tienen una p< La isocronicidad (Figura 6) entre pacientes y voluntarios sanos fue estadísticamente significativa en todas las condiciones (p<0.001). En la secuencia alternante se puede observa una tendencia a la baja en los sujetos sanos, mientras que en los pacientes este efecto no se puede apreciar. La variabilidad en la isocronicidad (Figura 7) se observa un efecto similar, con tiempos mayores en el grupo de EP. 29

30 Figura 6. Isocronicidad entre voluntarios sanos (VS) y pacientes con enfermedad de Parkinson (EP). Todas las comparaciones tienen una p< Figura 7. Variabilidad en la isocronicidad entre voluntarios sanos (VS) y pacientes con enfermedad de Parkinson (EP). Todas las comparaciones tienen una p<

31 También fue medida la diferencia de sincronización bimanual (Figura 8), donde en el grupo de voluntarios sanos se observa una variación mínima entre ambas manos, con fluctuaciones menores de 50 ms en ambas secuencias; en cambio, el grupo de pacientes presenta una diferencia mayor (por retraso o mayor tiempo con la mano derecha), especialmente en la secuencia alternante con una tendencia a la baja conforme avanzan las secuencias. Figura 8. Sincronización bimanual entre voluntarios sanos (VS) y pacientes con enfermedad de Parkinson (EP). Todas las comparaciones tienen una p< RESULTADOS DE IMAGEN FUNCIONAL Al evaluar la actividad de grupo EP > VS, utilizando el contraste Alternante > Control (para controlar el efecto de la actividad motora y visual) se encontraron pequeños focos de hiperactivación en regiones prefrontales, parietal posterior, cingulado posterior y cerebelo (Figura 9). No se registró una mayor actividad de los sujetos sanos sobre los pacientes. Figura 9. Regiones de mayor activación en EP comparados con VS en todas las condiciones (p<0.01 sin corrección). 31

32 Estudiando los patrones de activación en los pacientes en la condición de movimientos con la mano derecha -lado principalmente afectado- se encontró una mayor activación en regiones prefrontales, pre-sma derecho, cingulado anterior y posterior, núcleo caudado izquierdo, putamen izquierdo y derecho, tálamo izquierdo y cerebelo (Figura 9). Basándonos en hallazgos previos, donde se ha encontrado una influencia del putamen en tareas de aprendizaje motor, se realizó una corrección por volumen pequeño (small volume correction) estableciendo como región de interés (ROI) ambos putámenes, siendo significativo el izquierdo (p=0.034) y el derecho demostrando tendencia hacia la significación estadística (p=0.058). En pacientes durante la tarea bimanual (Figura 10) también se encontró una aumento de actividad en putamen derecho que no fue significativa al realizarse la corrección (p=0.06). Figura 10. Regiones de mayor actividad en EP en la condición Derecha (p< sin corrección). Figura 11. Regiones de mayor actividad en EP en la condición Bimanual. (p< sin corrección). Para valorar la lateralidad en estado basal y su grado de afección a nivel funcional, se realizaron los contrastes Control D > Control I y Control I > Control D tanto en sujetos sanos como pacientes (Figura 12). Tanto en la primera condición como en la segunda condición se encontró un patrón funcional habitual en sujetos sanos, activándose la corteza motora contralateral, cerebelo ipsilateral y ganglios basales. En el grupo de pacientes, en la condición Control Derecho > Control Izquierdo sólo se observó 32

33 activación del precuneus ipsilateral. En la condición inversa se encontró una actividad similar a la de los sujetos sanos aunque de menor intensidad. Figura 12. Patrones de activación de lateralidad en pacientes y sujetos sanos. a) Derecha > Izquierda en EP. b) Derecha > Izquierda en VS. c) Izquierda > Derecha en EP. d) Izquierda > Derecha en VS (corregido por FDR a por clúster k=716/816/281/475). En un análisis post-hoc, tomando en cuenta el promedio de aciertos/errores por secuencia, se modeló un regresor para medir la actividad asociada a este parámetro. Al valorar los aciertos en los sujetos sanos, se encontró una asociación con corteza insular izquierda, cíngulo posterior, cerebelo bilateral, amígdala bilateral y algunas regiones de la corteza parietal inferior. En pacientes sólo se observó actividad en ambas amígdalas, cíngulo posterior y cerebelo derecho (Figura 13). 33

34 Figura 13. Regiones relacionadas con el regresor Aciertos en VS y EP (p<0.005 sin corrección). Cuando se modeló de acuerdo a los errores cometidos (Figura 14) se encontró correlación con el precuneus izquierdo en ambos grupos de sujetos, aunque en los pacientes este patrón fue bilateral y asociado a ínsula izquierda y corteza pre-sma (área motora suplementaria). Figura 14. Regiones relacionadas con el regresor Errores en EP y VS (corregido por FDR por clúster k=1186/2297). 8. DISCUSION 8.1 CONDUCTA MOTORA El objetivo de este trabajo fue valorar el aprendizaje motor temprano en los pacientes con EP, una función cognitiva usualmente afectada, tanto por análisis de conducta como por sus patrones de activación neuronal por RMf. 34