Neurociencia: Escáneres Cerebrales y Decisión

El campo de la neurociencia cognitiva ha experimentado un desarrollo vertiginoso en las últimas dos décadas. Esta disciplina emergente fusiona la psicología cognitiva tradicional con la neurología para desentrañar las bases neuronales de la cognición humana. Su impacto trasciende la psicología, alcanzando áreas tan diversas como la antropología, la filosofía, la lingüística, la sociología y, notablemente, la economía. Un pilar fundamental de este avance ha sido la evolución de las técnicas de neuroimagen no invasivas, que permiten observar directamente la actividad cerebral mientras los individuos realizan diversas tareas perceptuales, motoras o cognitivas.

Técnicas Avanzadas de Neuroimagen

Las técnicas de neuroimagen funcional han abierto una ventana sin preceder al funcionamiento del cerebro en tiempo real. Dos de las más prominentes son el Electroencefalograma (EEG) y la Resonancia Magnética Funcional (fMRI). Al combinar estas herramientas con diseños experimentales sofisticados y métodos avanzados de análisis de datos, los investigadores pueden examinar las funciones de regiones cerebrales específicas y cómo interactúan entre sí.

El EEG es conocido por su altísima resolución temporal, midiendo la actividad neuronal a nivel de milisegundos. Es una medida directa de la respuesta neuronal, captando los potenciales postsinápticos generados en las capas superficiales de la corteza. Sin embargo, el EEG presenta varias limitaciones significativas. No es sensible a las respuestas neuronales de estructuras profundas del cerebro, como el estriado o el hipocampo. Además, su resolución espacial es muy baja, y resulta difícil reconstruir una distribución única de fuentes de corriente intracraneal a partir de la señal del EEG, a pesar de los avances recientes en este área.

En contraste, la fMRI ofrece una alta resolución espacial y una cobertura integral de todo el cerebro. La fMRI BOLD convencional tiene una resolución espacial típica de 3-6 milímetros, mientras que la fMRI de alta resolución puede alcanzar aproximadamente 1 milímetro a expensas de la cobertura total. La fMRI es sensible a las señales BOLD tanto de la superficie cortical como de estructuras cerebrales profundas. La principal limitación de la fMRI es su resolución temporal, ya que la respuesta BOLD es muy lenta. Además, la señal BOLD es una medida indirecta de la actividad neuronal, susceptible a la influencia de actividades fisiológicas no relacionadas con procesos neuronales.

Idealmente, los experimentos que emplean estas técnicas deben ser diseñados cuidadosamente para maximizar sus fortalezas y minimizar sus debilidades. La integración de datos de diferentes modalidades de imagen es crucial para obtener una comprensión más completa.

Análisis de Datos en Neuroimagen

Para identificar las regiones cerebrales que muestran cambios significativos en la señal en respuesta a una tarea, es necesario analizar los datos de imagen con métodos estadísticos. Se han desarrollado numerosas técnicas para este fin.

Actualmente, la mayoría de los enfoques de análisis, tanto para diseños de bloques como de eventos relacionados, se han integrado en el marco del Modelo Lineal General (GLM). El objetivo del GLM es explicar la varianza en el curso temporal de la señal BOLD en términos de una combinación lineal de variables explicativas y un término de error. Este método permite detectar la presencia o ausencia de activación cerebral.

Sin embargo, los métodos tradicionales de análisis (univariados) tienden a tratar cada vóxel como una medida independiente y a menudo promedian o umbralizan las respuestas, lo que puede eliminar información potencialmente útil. Además, no exploran las interacciones entre diferentes regiones cerebrales. Por ello, los métodos de análisis multivariado son cada vez más utilizados.

El Análisis de Patrón Multivóxel (MVPA) se utiliza para identificar diferencias sutiles en los patrones de activación a través de los vóxeles. A diferencia del enfoque univariado, el MVPA considera la información distribuida en grupos de vóxeles. Se han aplicado algoritmos de clasificación de patrones sofisticados, como las máquinas de vectores de soporte (SVM) y el análisis discriminante lineal (LDA), mejorando la sensibilidad de este enfoque. Estos métodos han demostrado ser capaces de decodificar representaciones neuronales de diferentes estímulos visuales, tipos de palabras o manipulaciones mentales basándose en patrones de actividad de fMRI.

El Análisis de Conectividad Neuronal (NCA) aborda cómo diferentes regiones cerebrales se comunican e interactúan. El enfoque más simple es el análisis de conectividad funcional, que evalúa el acoplamiento de las activaciones neuronales entre regiones calculando correlaciones. También existe el análisis de conectividad efectiva, que intenta identificar la dirección y las relaciones causales entre las conexiones, utilizando modelos como el Modelo de Ecuaciones Estructurales (SEM) o el Modelo de Causalidad de Granger. El Modelado Causal Dinámico (DCM) es otro enfoque que se basa en la construcción de modelos neuronales más realistas para estimar respuestas neuronales a partir de datos BOLD.

Integración de Datos Multimodales

La integración de datos de diferentes modalidades (como combinar EEG y fMRI) es fundamental porque cada técnica mide diferentes aspectos de las respuestas cerebrales y tiene sus propias fortalezas y limitaciones. Esta integración no solo mejora la comprensión de problemas existentes sino que también permite abordar nuevas preguntas, como la fuente de las redes cerebrales en estado de reposo.

Neuroeconomía: Aplicaciones en la Toma de Decisiones

Un campo naciente que ha surgido del éxito de la aplicación de técnicas de neuroimagen es la Neuroeconomía. Esta área multidisciplinaria integra neurociencia, economía y psicología con el objetivo de construir modelos biológicos de la toma de decisiones en entornos económicos. Estudiando la actividad neuronal en tiempo real, la neuroeconomía examina cómo se procesan aspectos como la evaluación de opciones, la valoración de riesgos y recompensas, la toma de decisiones y la interacción social.

Antes de la neuroeconomía, la economía conductual ya había desarrollado modelos para describir y predecir las decisiones humanas. Estos se dividían en modelos normativos (cómo la gente *debería* decidir de forma óptima) y modelos descriptivos (cómo la gente *realmente* decide). Un enfoque clave de la neuroeconomía es entender por qué las personas a menudo no toman decisiones óptimas, es decir, los mecanismos neuronales de la irracionalidad.

La investigación en neuroeconomía abarca una amplia gama de temas. Nos centraremos en tres áreas específicas ilustradas en el texto fuente: la decisión bajo incertidumbre, la elección intertemporal y la teoría de juegos.

Decisión bajo Incertidumbre

Muchas decisiones cotidianas implican la posibilidad de ganar o perder. La economía distingue entre decisiones bajo riesgo (probabilidades conocidas, como en un juego de dados) y decisiones bajo ambigüedad (probabilidades desconocidas, como invertir en bolsa). El ejemplo del paradoja de Ellsberg ilustra la aversión al riesgo y a la ambigüedad que muestran la mayoría de las personas.

La Teoría de la Prospección, un modelo conductual influyente, explica la aversión al riesgo para apuestas mixtas (ganancia/pérdida) mediante el concepto de aversión a la pérdida: las pérdidas tienen un mayor impacto psicológico que las ganancias de igual magnitud. Estudios de fMRI han buscado los sustratos neuronales de esta aversión a la pérdida. Por ejemplo, un estudio encontró que regiones dopaminérgicas del mesencéfalo y sus áreas objetivo (como el estriado ventral y la corteza prefrontal ventromedial) mostraron actividad que aumentaba con las ganancias potenciales y disminuía con las pérdidas potenciales. Crucialmente, la pendiente de disminución para las pérdidas era más pronunciada que la de aumento para las ganancias, lo que respalda la idea de que las pérdidas pesan más. Las diferencias individuales en la aversión a la pérdida conductual se correlacionaron con una medida de aversión a la pérdida neuronal en estas regiones, proporcionando un respaldo neural para este fenómeno.

Otro estudio que utilizó la 'Tarea de las Copas' exploró la interacción entre riesgo y recompensa en la toma de decisiones arriesgadas. Encontró que dos regiones adyacentes en la corteza prefrontal medial (CPM) procesaban señales distintas: la CPM dorsal se activaba más con niveles más altos de riesgo percibido, mientras que la CPM ventral se modulaba paramétricamente por la ganancia/pérdida recibida. La preferencia al riesgo conductual de los participantes se correlacionó negativamente con la activación de la CPM dorsal al riesgo y positivamente con la activación de la CPM ventral a la recompensa. Esto sugiere que la decisión bajo riesgo puede ser un "combate" entre el "atractivo" de la ganancia (CPM ventral) y el "miedo" al riesgo (CPM dorsal).

Al comparar directamente la decisión bajo ambigüedad y riesgo, algunos estudios han encontrado que la ambigüedad activa la amígdala y la corteza orbitofrontal, y la desactiva en el sistema estriatal, sugiriendo que el mismo sistema trata la ambigüedad y el riesgo como casos límite de incertidumbre. Otros estudios, sin embargo, sugieren mecanismos neuronales distintos, con la corteza prefrontal lateral más activa en decisiones bajo ambigüedad y la corteza parietal posterior más activa en decisiones bajo riesgo, y estas activaciones correlacionadas con las preferencias individuales.

Los estudios de EEG también han aportado información sobre la cronología de las respuestas neuronales asociadas a la decisión arriesgada. Por ejemplo, la negatividad relacionada con la retroalimentación (Feedback Negativity) que ocurre 200-300ms después del resultado diferencia significativamente las pruebas de ganancia y pérdida, mientras que el componente P300 se asocia con la magnitud del resultado, independientemente de si es ganancia o pérdida. Esto ilustra cómo el EEG puede ofrecer una visión temporal complementaria a la fMRI.

Elección Intertemporal

Las decisiones intertemporales implican sopesar costos y beneficios que ocurren en diferentes momentos del tiempo (por ejemplo, ahorrar ahora vs. consumir ahora). Aunque los modelos económicos normativos asumen una tasa de descuento constante (descuento exponencial), los modelos descriptivos y la evidencia conductual sugieren que las personas a menudo valoran las recompensas inmediatas de forma desproporcionada en comparación con las recompensas futuras (descuento hiperbólico).

Se han propuesto funciones de descuento hiperbólico para modelar este comportamiento, a menudo involucrando parámetros que representan una devaluación especial de las recompensas inmediatas (parámetro ß) y una tasa de descuento más general para todas las recompensas futuras (parámetro δ). Una hipótesis es que estos dos parámetros están mediados por sistemas neuronales distintos: un sistema límbico (ß) para las recompensas inmediatas y un sistema cognitivo en la corteza prefrontal lateral (δ) para las recompensas futuras.

Estudios de fMRI han investigado esta hipótesis. En un experimento, se pidió a los participantes que eligieran entre recompensas monetarias tempranas y tardías. Al comparar las elecciones donde la opción temprana era "inmediata" con aquellas donde la opción temprana tenía un retraso, se identificaron regiones límbicas (como el estriado ventral, la corteza orbitofrontal medial y la corteza cingulada posterior) asociadas con el sistema ß. Al comparar todas las pruebas con una línea de base y analizar las pruebas difíciles vs. fáciles, se identificaron regiones de la corteza prefrontal dorsolateral y ventrolateral asociadas con el sistema δ. Consistentemente con la hipótesis, las áreas ß mostraron mayor actividad cuando se seleccionaba una recompensa inmediata, y las áreas δ mostraron mayor actividad cuando se seleccionaba una recompensa futura.

Otro estudio examinó los mecanismos neuronales de la segunda función de descuento hiperbólico (SV = 1/(1+kD)). Utilizando un enfoque psicométrico-neurométrico, los investigadores estimaron el valor subjetivo de las recompensas retrasadas para cada participante basándose en sus elecciones conductuales. Luego, correlacionaron estos valores subjetivos con la actividad cerebral. Encontraron que la actividad en la corteza prefrontal medial, la corteza cingulada posterior y el estriado ventral se correlacionaba significativamente con los valores subjetivos. Además, el parámetro de descuento neuronal (k neuronal) estimado a partir de la actividad cerebral en estas regiones se correlacionó fuertemente con el parámetro de descuento conductual (k conductual) de los participantes. Esto sugiere que las regiones de recompensa límbica rastrean cuantitativamente los valores subjetivos, tanto para recompensas inmediatas como futuras.

Teoría de Juegos

La teoría de juegos se utiliza para comprender interacciones sociales como la competencia, la cooperación y la coordinación. Un paradigma clásico estudiado en neuroeconomía es el Juego del Ultimátum (UG). En este juego, un proponente propone cómo dividir una suma de dinero con un respondedor. El respondedor puede aceptar (la división se ejecuta) o rechazar (nadie recibe nada). Según el equilibrio de Nash (un concepto de la teoría de juegos normativa), un respondedor racional debería aceptar cualquier oferta positiva, por pequeña que sea, ya que rechazarla le daría cero. Sin embargo, los estudios conductuales muestran consistentemente que los respondedores a menudo rechazan ofertas bajas (por debajo del 20% del total), especialmente cuando provienen de otros humanos.

Los estudios de fMRI han investigado los mecanismos neuronales detrás de este rechazo de ofertas injustas. Un estudio pionero comparó las respuestas cerebrales a ofertas justas e injustas provenientes de humanos o de un ordenador. Encontraron que varias regiones, incluyendo la ínsula anterior, la corteza cingulada anterior y la corteza prefrontal dorsal, mostraron una mayor activación ante ofertas injustas. La activación de la ínsula bilateral fue significativamente mayor cuando las ofertas injustas provenían de humanos que de un ordenador, sugiriendo que la activación no se debe solo a la cantidad de dinero, sino a la percepción de trato injusto por parte de otra persona. La activación de la ínsula, una región implicada en el procesamiento de emociones negativas, se correlacionó con la probabilidad de rechazar la oferta. Esto sugiere que el rechazo de ofertas injustas puede estar impulsado por la emoción negativa experimentada por el respondedor.

Sin embargo, otro estudio utilizó estimulación magnética transcraneal repetitiva (rTMS) para perturbar la corteza prefrontal dorsolateral (CPD). Encontraron que la perturbación de la CPD derecha redujo significativamente la tasa de rechazo de ofertas injustas, mientras que la perturbación de la CPD izquierda no tuvo el mismo efecto. Una interpretación de este resultado es que la CPD derecha podría estar involucrada en anular el autointerés para fomentar el orden social y la equidad, sugiriendo que la motivación para rechazar ofertas injustas podría ser prosocial y guiada por el sistema de control ejecutivo de alto nivel, más que puramente emocional. Este hallazgo ha generado debate y subraya la complejidad de la toma de decisiones sociales.

Preguntas Frecuentes

¿Qué diferencia hay entre EEG y fMRI?
La principal diferencia radica en lo que miden y su resolución. El EEG mide directamente la actividad eléctrica neuronal con alta resolución temporal pero baja resolución espacial. La fMRI mide indirectamente la actividad neuronal a través de cambios en el flujo sanguíneo (señal BOLD) con alta resolución espacial pero baja resolución temporal.

¿Qué es la señal BOLD en fMRI?
BOLD significa 'Blood-Oxygen-Level Dependent' (dependiente del nivel de oxígeno en sangre). La fMRI BOLD detecta la diferencia en la susceptibilidad magnética entre la hemoglobina oxigenada (diamagnética) y desoxigenada (paramagnética). Cuando una región cerebral se activa, aumenta el flujo sanguíneo local, suministrando más oxígeno del que se consume, lo que resulta en un aumento de la hemoglobina oxigenada y, por lo tanto, en un aumento de la señal BOLD. Es una medida indirecta pero empíricamente bien correlacionada con la actividad neuronal.

¿Qué es la Neuroeconomía?
La Neuroeconomía es un campo de investigación interdisciplinario que combina neurociencia, economía y psicología para estudiar las bases neuronales de la toma de decisiones económicas y sociales en los seres humanos. Utiliza técnicas como la fMRI y el EEG para observar la actividad cerebral durante tareas de decisión y vincularla con modelos económicos y conductuales.

¿Por qué la Neuroeconomía estudia el Juego del Ultimátum?
El Juego del Ultimátum es un paradigma simple pero poderoso para estudiar la toma de decisiones sociales y las respuestas a la injusticia. El comportamiento observado en este juego (el rechazo de ofertas bajas) a menudo se desvía de lo predicho por los modelos económicos puramente racionales, lo que lo convierte en un excelente ejemplo para investigar los procesos neuronales y emocionales subyacentes a la toma de decisiones en contextos sociales.

Conclusión

La neurociencia cognitiva, impulsada por los avances en técnicas de neuroimagen como el EEG y la fMRI, ha transformado nuestra comprensión del cerebro y el comportamiento. La aplicación de estas herramientas al estudio de la toma de decisiones ha dado lugar al floreciente campo de la Neuroeconomía. Al investigar aspectos como la decisión bajo incertidumbre, la elección intertemporal y las interacciones sociales modeladas por la teoría de juegos, la neuroeconomía no solo revela los mecanismos neuronales detrás de nuestras elecciones, sino que también arroja luz sobre por qué a menudo nos desviamos de los modelos de racionalidad pura. La integración de datos multimodales y el desarrollo continuo de métodos de análisis avanzados prometen seguir desentrañando la compleja relación entre la actividad cerebral y el comportamiento humano.

Si quieres conocer otros artículos parecidos a Neurociencia: Escáneres Cerebrales y Decisión puedes visitar la categoría Neurociencia.