Sentirse más joven se asocia con un cerebro más joven: edad subjetiva y edad cerebral
Feeling How Old I Am: Subjective Age Is Associated With Estimated Brain Age

Ficha del estudio original
- Institución
- Seoul National University (Department of Psychology) y Yonsei University (Department of Sociology)
- Año
- 2018
- Revista
- Frontiers in Aging Neuroscience, vol. 10, art. 168
- Tipo de estudio
- Estudio de neuroimagen
En 3 líneas
En 68 adultos mayores sanos, quienes se sentían más jóvenes que su edad real tenían más materia gris en regiones frontales y temporales y una edad cerebral estimada más joven. La diferencia se mantuvo al ajustar por depresión, salud autoevaluada, cognición y personalidad. Es un estudio transversal y pequeño: muestra una asociación, no que sentirse joven rejuvenezca el cerebro.
Resumen del artículo original
Aunque el proceso de envejecimiento es un fenómeno universal, las personas perciben y experimentan su propio envejecimiento de maneras considerablemente distintas. La edad subjetiva (ES), que se refiere a cómo los individuos se sienten más jóvenes o mayores que su edad real, se ha destacado como un importante predictor de los resultados de salud en la vejez. Sin embargo, no está claro si la ES está asociada con el proceso neurobiológico del envejecimiento y de qué manera. En este estudio, 68 adultos mayores sanos se sometieron a una encuesta de ES y a escáneres de resonancia magnética (RM). Se utilizaron imágenes cerebrales ponderadas en T1 de conjuntos de datos de acceso abierto para construir un modelo de predicción de la edad. Utilizamos tanto la morfometría basada en vóxeles (VBM) como técnicas de modelado de predicción de la edad para explorar si los tres grupos de ES (es decir, se siente más joven, igual o mayor que su edad real) diferían en sus volúmenes regionales de materia gris (MG) y en su edad cerebral predicha. Los resultados mostraron que los individuos mayores que se percibían a sí mismos más jóvenes que su edad real presentaban no solo un mayor volumen de MG en el giro frontal inferior y en el giro temporal superior, sino también una edad cerebral predicha más joven. Nuestros hallazgos sugieren que la experiencia subjetiva del envejecimiento está estrechamente relacionada con el proceso de envejecimiento cerebral y subrayan los mecanismos neurobiológicos de la ES como un importante marcador de la salud neurocognitiva en la vejez.
Introducción
La edad subjetiva (ES) se refiere a cómo los individuos se sienten más jóvenes o mayores que su edad cronológica. La percepción subjetiva del envejecimiento no coincide con la edad cronológica y muestra una gran variabilidad entre los individuos (Rubin y Berntsen, 2006). El concepto de ES se ha destacado en la investigación sobre el envejecimiento como un constructo importante por su relevancia para los resultados de salud en la vejez. Estudios previos han sugerido que la ES está asociada con diversos resultados, entre ellos la salud física (Barrett, 2003; Stephan et al., 2012; Westerhof et al., 2014), la salud autoevaluada (Westerhof y Barrett, 2005), la satisfacción con la vida (Barak y Rahtz, 1999; Westerhof y Barrett, 2005), los síntomas depresivos (Keyes y Westerhof, 2012), el deterioro cognitivo (Stephan et al., 2014), la demencia (Stephan et al., 2016a), la hospitalización (Stephan et al., 2016b) y la fragilidad (Stephan et al., 2015a). Aunque la edad cronológica es un factor primario para explicar estos resultados de salud en la vejez, estos estudios sugieren que la ES puede ser otro constructo que caracteriza las diferencias individuales en el proceso de envejecimiento.
La hipótesis interoceptiva postula que un número significativo de funciones, tanto físicas como cognitivas, declina con la edad y que a esto le sigue posteriormente una toma de conciencia de dichos cambios relacionados con la edad (Diehl y Wahl, 2010). En otras palabras, sentirse subjetivamente mayor puede ser un marcador o indicador sensible que refleje cambios biológicos relacionados con la edad. Esta hipótesis está respaldada por varios estudios que han informado de asociaciones significativas entre una ES mayor y peores marcadores biológicos, incluyendo la proteína C reactiva (Stephan et al., 2015c), la diabetes (Demakakos et al., 2007) y el índice de masa corporal (Stephan et al., 2014). Además, los índices de edad biológica (MacDonald et al., 2011), incluidos el flujo espiratorio máximo y la fuerza de prensión, también se asociaron con la ES, incluso después de controlar los factores demográficos, la salud autoevaluada y los síntomas depresivos, según Stephan et al. (2015b). Entre una variedad de marcadores biológicos del envejecimiento, la disminución de los recursos neuronales constituye una dimensión importante de los cambios relacionados con la edad, además de los cambios físicos, socioemocionales y de estilo de vida (Diehl y Wahl, 2010). Junto con la hipótesis interoceptiva, la experiencia subjetiva del envejecimiento puede resultar en parte de la conciencia subjetiva del propio deterioro cognitivo relacionado con la edad. Por ejemplo, los informes subjetivos del propio deterioro cognitivo han recibido atención como una fuente importante de información para la predicción de cambios neurofisiológicos sutiles. Incluso cuando no se encuentran signos de deterioro en las puntuaciones de las pruebas cognitivas, las quejas subjetivas de deterioro cognitivo pueden reflejar etapas tempranas de demencia o cambios patológicos en el cerebro (de Groot et al., 2001; Reid y MacLullich, 2006; Stewart et al., 2008; Yasuno et al., 2015). Es, por tanto, posible examinar un vínculo entre la experiencia subjetiva del envejecimiento y el envejecimiento neurofisiológico.
Para evaluar los cambios estructurales cerebrales relacionados con la edad y la pérdida generalizada de tejido cerebral, se han utilizado ampliamente métodos de morfometría neuroanatómica (Good et al., 2001; Fjell et al., 2009a; Raz et al., 2010; Matsuda, 2013). Además, los grandes conjuntos de datos de neuroimagen y las técnicas de aprendizaje automático recientemente desarrolladas han hecho posible estimar marcadores cerebrales individualizados (Gabrieli et al., 2015; Cole y Franke, 2017; Woo et al., 2017). Este enfoque puede ser ventajoso para interpretar un índice individualizado de edad cerebral, ya que el modelado predictivo puede representar patrones multivariados expresados en todas las regiones cerebrales, a diferencia de las pruebas univariadas masivas e iterativas. En estudios recientes, se encontró que la edad cerebral estimada predice indicadores del envejecimiento neurobiológico, incluyendo el deterioro cognitivo (Franke et al., 2010; Franke y Gaser, 2012; Löwe et al., 2016; Liem et al., 2017), la obesidad (Ronan et al., 2016) y la diabetes (Franke et al., 2013).
Aunque la ES tiene valor predictivo para el futuro deterioro cognitivo o la aparición de demencia, pocos estudios han examinado la base neurobiológica de tales resultados. Combinando tanto la morfometría regional como el método de estimación de la edad cerebral, este estudio proporcionará una imagen integrada de cómo cada individuo atraviesa un proceso heterogéneo de envejecimiento cerebral y aportará más evidencia de los fundamentos neuronales de la ES (Kotter-Grühn et al., 2015). Utilizando análisis de morfometría basada en vóxeles (VBM) y modelado de predicción de la edad, nos propusimos identificar si una ES más joven está asociada con mayores volúmenes cerebrales regionales y con una menor edad cerebral estimada. También examinamos posibles mediadores, entre ellos la salud autoevaluada, los síntomas depresivos, las funciones cognitivas y los rasgos de personalidad, que eran candidatos para explicar la relación hipotetizada entre la ES y las estructuras cerebrales.
Metodología
Sujetos
Los participantes de este estudio fueron submuestreados de la tercera ola del Proyecto Coreano de Vida Social, Salud y Envejecimiento (KSHAP, por sus siglas en inglés), que constaba de 591 adultos mayores. El KSHAP es un estudio de cohorte de base comunitaria que recopiló datos de toda la población de adultos mayores del municipio K. En total, 195 personas mayores recibieron una exhaustiva encuesta de salud, encuestas psicosociales y una evaluación neuropsicológica. La encuesta de salud se realizó en 2014, y tanto la encuesta psicosocial como la evaluación neuropsicológica se realizaron en 2015. Se aplicaron los siguientes criterios de exclusión: trastornos psiquiátricos o neurológicos, problemas de visión o audición, tener metal en el cuerpo que no se pueda retirar, hipertensión y/o diabetes que no se puedan controlar con fármacos y/o insulina, y antecedentes de pérdida de conocimiento por traumatismo craneoencefálico. Se excluyó a los adultos mayores con deterioro cognitivo mediante pruebas neuropsicológicas y entrevistas semiestructuradas. Los detalles de los procedimientos de cribado se describen en una publicación previa (Joo et al., 2017). Los datos finales comprendieron a 68 sujetos que no cumplían ninguno de los criterios de exclusión (edad media = 71,38, DE = 6,41, rango = 59–84). La adquisición de RM se realizó en 2015, y el análisis posterior se llevó a cabo sin conocer la identificación de ningún participante. El estudio fue aprobado por el Comité de Revisión Institucional de la Universidad de Yonsei, y todos los participantes dieron su consentimiento informado por escrito a los procedimientos de la investigación.
Grupos de edad subjetiva
Se formuló verbalmente la siguiente pregunta para evaluar la ES comparativa: «¿Qué edad siente que tiene, en comparación con su edad real?» (Westerhof y Barrett, 2005). Los participantes respondieron con una de tres opciones categorizadas de identidad etaria: «Soy más joven que mi edad real» (ES más joven), «Tengo la misma edad que mi edad real» (ES igual) y «Soy mayor que mi edad real» (ES mayor; Boehmer, 2007). Entre los sujetos del KSHAP que no tenían deterioro cognitivo (n = 137), quienes se identificaron como de ES más joven fueron los más numerosos en proporción (40,1 %), seguidos de la ES igual (34,3 %) y la ES mayor (25,5 %). La proporción de géneros no difirió significativamente entre los tres grupos de ES (χ2 = 4,324, p = 0,112).
Funciones cognitivas
Se utilizaron el Mini-Examen del Estado Mental para el cribado de demencia (MMSE-DS; Han et al., 2010), la prueba de fluidez categorial (Kang et al., 2012) y los índices de memoria episódica y memoria de trabajo de la Escala de Trastornos de Memoria en Ancianos (Chey, 2007) para evaluar las funciones cognitivas. La prueba de fluidez categorial pedía a los participantes que generaran palabras de dos categorías semánticas (es decir, supermercado y animal), cada una en un minuto (Kang et al., 2000). El índice de memoria episódica se calculó sumando las tasas de aciertos en el Recuerdo libre a largo plazo de la Prueba de Aprendizaje Verbal en Ancianos (EVLT), el Recuerdo diferido de la Prueba de Recuerdo de Historias (SRT) y la Reproducción diferida de la Prueba de la Figura de Rey Simple (SRFT). La EVLT es una prueba de aprendizaje de nueve palabras que utiliza el paradigma de la Prueba de Aprendizaje Verbal de California (Chey et al., 2006). La SRT exige a los sujetos recordar un párrafo que contiene 24 unidades semánticas (An y Chey, 2004). La SRFT es una versión simplificada de la Prueba de la Figura Compleja de Rey-Osterrieth modificada para la población anciana (Park et al., 2011). Todas las subpruebas de recuerdo diferido se administraron 15–30 min después de la sesión de recuerdo inmediato. El índice de memoria de trabajo fue la suma de la secuencia más larga de dígitos repetida correctamente en orden inverso y del orden más largo de golpeteo de bloques de Corsi realizado correctamente (Song y Chey, 2006).
Covariables de salud y psicosociales
Evaluamos posibles mediadores y covariables que podrían explicar o confundir la asociación entre la ES y las características estructurales del cerebro. Las covariables se seleccionaron sobre la base de asociaciones previamente informadas con la salud autoevaluada (Stephan et al., 2015b), los rasgos de personalidad (Stephan et al., 2012), las funciones cognitivas (Stephan et al., 2014) y los síntomas depresivos (Keyes y Westerhof, 2012). Los participantes calificaron su nivel de salud global en una escala Likert de 5 puntos: mala, algo mala, buena, muy buena y excelente. Los valores más altos representaban una mejor salud autoevaluada. Los síntomas depresivos se midieron con la Escala de Depresión Geriátrica de 30 ítems (Yesavage et al., 1982), en la que los encuestados indicaban si habían experimentado un síntoma dado durante la última semana con un «sí» o un «no», es decir, en una escala binaria. Los rasgos de personalidad de extraversión y apertura se evaluaron con el Inventario de Cinco Factores NEO (Costa y McCrae, 1992) en una escala Likert de 4 puntos, que iba de 1 (totalmente en desacuerdo) a 4 (totalmente de acuerdo).
Análisis de morfometría basada en vóxeles
Los escáneres de resonancia magnética (RM) se adquirieron en un equipo MAGNETOM Trio de 3 teslas con bobina de 32 canales en el Centro de Neuroimagen Cerebral de la Universidad Nacional de Seúl. Se adquirieron imágenes de cerebro completo ponderadas en T1 con secuencia de eco de gradiente rápida con preparación de magnetización (MPRAGE) para cada sujeto, con los siguientes parámetros: TR = 2300 ms, TE = 2,3 ms, FOV = 256 × 256 mm2, y FA = 9°. Se llevó a cabo un análisis VBM de cerebro completo para determinar la asociación entre la densidad regional de materia gris (MG) y los grupos de ES. El preprocesamiento de los datos de imagen se realizó con el software Statistical Parametric Mapping (SPM12; Welcome Department of Imaging Neuroscience, Londres, Reino Unido) implementado en Matlab versión r2015b (MathWorks). Las imágenes T1 se corrigieron de sesgo y se segmentaron en cinco clases de tejido, sobre la base de un mapa de probabilidad de tejidos registrado de forma no lineal (Ashburner y Friston, 2005). Las imágenes nativas segmentadas se sumaron para inferir el volumen intracraneal total (VIT) individual. Para normalizar espacialmente la imagen de MG al espacio estándar con una mayor precisión del registro entre sujetos (Ashburner, 2007), utilizamos el registro anatómico difeomórfico mediante álgebra de Lie exponenciada (DARTEL). Se creó una plantilla personalizada y se aplicó un campo de deformación a las imágenes de MG previamente segmentadas para deformar la transformación no lineal al espacio MNI estandarizado. Durante las transformaciones se preservó la cantidad total de MG. Todas las imágenes se suavizaron con un núcleo gaussiano de anchura total a la mitad del máximo de 8 mm.
Primero utilizamos el contraste F para comprobar las diferencias a nivel de vóxel en el volumen de MG entre los tres grupos de ES. Con fines exploratorios, el resultado de la prueba F se examinó con un umbral liberal de definición de clústeres (z = 2,33, k > 500). El efecto principal del mapa F indicó diferencias en los volúmenes de MG regional entre los tres grupos de ES. Sobre la base de la hipótesis direccional de que una ES más joven estaría asociada con mayores volúmenes cerebrales, realizamos además tres pruebas t por pares (más joven > igual, igual > mayor, más joven > mayor). Identificamos los resultados de la prueba post hoc según si los vóxeles por encima del nivel de clúster (umbral de definición de clúster de z = 3,09) o con p < 0,05 corregido por error familiar (FWE) a nivel de vóxel estaban incluidos en los clústeres mencionados de los resultados de la prueba F. La tasa FWE a nivel de clúster se estimó con base en la teoría de campos aleatorios gaussianos. Cada análisis VBM se realizó tras ajustar por edad, género, educación y VIT.
Conjuntos de datos de predicción de la edad
Para estimar el grado de cambios estructurales cerebrales relacionados con la edad que han ocurrido en un individuo, implementamos un modelado fuera de muestra y el esquema de predicción que se ha utilizado recientemente para estimar edades cerebrales (Franke et al., 2010; Liem et al., 2017; Rudolph et al., 2017). Utilizamos dos conjuntos de datos de acceso público compuestos por imágenes de RM ponderadas en T1: la Serie de Estudios de Imágenes de Acceso Abierto (OASIS1) y la Extracción de Información a partir de Imágenes (IXI2). Los conjuntos de datos transversal (Marcus et al., 2007) y longitudinal (Marcus et al., 2010) de OASIS constaban de 512 adultos sanos de 18–94 años (edad media = 51,64, DE = 24,91, mujeres: 256). Se excluyó del conjunto de datos de OASIS a los sujetos diagnosticados con demencia (clasificación clínica de demencia ≥ 0,5). El conjunto de datos de IXI constaba de 545 adultos sanos de 19–86 años (edad media = 48,78, DE = 16,53, mujeres: 342). Para reducir los efectos no lineales de la edad en la construcción del modelo (Fjell et al., 2013, 2014) y evitar un modelado sesgado al predecir a los sujetos del KSHAP, que tienen un rango de edad relativamente alto (59–84), seleccionamos como muestra de entrenamiento a los sujetos mayores de 40 años. Los datos finales de predicción de la edad incluyeron a 598 sujetos (edad media = 63,28, DE = 12,97, mujeres: 383).
Preprocesamiento de las imágenes para la predicción de la edad
Para aplicar un flujo estandarizado de análisis de preprocesamiento a través de los distintos protocolos de escaneo de RM tanto en el KSHAP como en los conjuntos de datos de predicción de la edad, utilizamos un procedimiento de preprocesamiento totalmente automatizado implementado en CAT12 r1113 (Computational Anatomy Toolbox, Structural Brain Mapping Group, Departamentos de Psiquiatría y Neurología, Hospital Universitario de Jena3). Primero se empleó un filtro de eliminación de ruido de medias no locales espacialmente adaptativo (SANLM) (Manjón et al., 2010). Se utilizaron algoritmos de segmentación basados en la técnica de máximo a posteriori adaptativo (AMAP), implementados en CAT12, para clasificar el tejido cerebral en tres clases: MG, sustancia blanca (SB) y líquido cefalorraquídeo (LCR). Además, se utilizó la estimación de volumen parcial (PVE) para crear una segmentación más precisa de las dos clases mixtas: MG–SB y MG–LCR. Se realizó una estimación basada en proyección del grosor cortical en las imágenes segmentadas (Dahnke et al., 2012, 2013), que mostró una precisión comparable a la de otras herramientas basadas en superficie (Righart et al., 2017). En total, se extrajeron 156 valores del flujo de análisis de regiones de interés (ROI) de CAT12, incluyendo 148 grosores corticales y la densidad media de MG en ocho estructuras subcorticales bilaterales (caudado, putamen, amígdala e hipocampo). Las áreas corticales se definieron con base en la parcelación automática de giros y surcos (Destrieux et al., 2010), mientras que los volúmenes subcorticales se definieron con el atlas neuromorfométrico4. Se aplicaron procedimientos idénticos de preprocesamiento y extracción de valores de ROI a los datos del KSHAP.
Modelado de regresión por mínimos cuadrados parciales
Para resumir y explicar de forma eficaz las características de la estructura cerebral relacionadas con la edad, construimos un modelo de regresión por mínimos cuadrados parciales (PLSR) validado de forma cruzada utilizando el paquete Caret para R (Kuhn, 2015). La PLSR reduce datos de alta dimensionalidad a componentes ortogonales que tienen la mayor covarianza con la variable de salida (el objetivo de la predicción) antes de llevar a cabo el análisis de regresión múltiple. A diferencia de la reducción de dimensiones con análisis de componentes principales, la PLSR descompone los componentes ortogonales de una manera más relevante para los resultados en la etapa de construcción del modelo. El método PLS se utiliza en estudios de neuroimagen para resumir de forma eficaz las estructuras de datos altamente colineales que se observan entre regiones cerebrales (McIntosh y Lobaugh, 2004; Krishnan et al., 2011; Rudolph et al., 2017). En este estudio, el modelo PLSR se construyó para encontrar componentes latentes combinados linealmente que fueran altamente predictivos de la edad de un individuo. El procedimiento de entrenamiento y estimación del modelo de predicción de la edad se basó en 156 valores de ROI de los conjuntos de datos de acceso abierto (n = 598).
Validación cruzada del modelo de predicción de la edad
Para construir un modelo PLSR aplicable a datos independientes y lograr generalizabilidad, optimizamos el número de componentes PLS mediante validación cruzada dejando uno fuera (LOOCV). Aunque añadir secuencialmente más componentes de variables latentes daría lugar a un modelo más complejo para explicar los datos dados, deben aplicarse procedimientos de validación cruzada para determinar si dicho modelo complejo explica en última instancia datos nuevos que son independientes de los datos de entrenamiento. Mediante el procedimiento LOOCV, dividimos iterativamente los datos de entrenamiento (n = 597) para construir un modelo y predecir los datos del único sujeto dejado fuera. Cada procedimiento de modelado y predicción con un sujeto excluido se repitió 598 veces. Dentro de cada modelo, con un número diferente de componentes, se calculó el error cuadrático medio (RMSE) de los procedimientos LOOCV iterados. Examinando el error de predicción fuera de muestra para cada componente PLS, el modelo PLSR se optimizó entre modelos infraajustados y sobreajustados (Whelan y Garavan, 2014; Gabrieli et al., 2015; Rudolph et al., 2017). Este enfoque identificó el modelo óptimo, que mostró el menor RMSE y la mayor varianza explicada (R2) al predecir la edad del sujeto dejado fuera.
Análisis estadístico de la edad predicha
Las edades cerebrales de los sujetos individuales de los datos del KSHAP (n = 68) se predijeron a partir de los pesos del modelo PLSR validado de forma cruzada, utilizando como entradas los 156 valores regionales cerebrales. Examinamos las correlaciones bivariadas entre las edades reales y las edades predichas para los datos del KSHAP. Luego, utilizamos el análisis de covarianza (ANCOVA) para comparar las diferencias en la edad cerebral predicha entre los grupos de ES, ajustando por los efectos lineales del género, la educación y la edad. La media ajustada de la edad predicha indicó la diferencia. Examinamos además si el resultado del ANCOVA cambiaba cuando se incluían adicionalmente como covariables la salud autoevaluada, los síntomas depresivos, la función cognitiva y los rasgos de personalidad. Determinamos la significación de la diferencia entre grupos al nivel de p < 0,05.
Resultados clave
El análisis de correlación de orden por rangos mostró que el grupo de ES estaba asociado positivamente (de más joven a mayor) con menos años de educación, un menor rendimiento en memoria de trabajo y una peor salud autoevaluada (Tabla 1). Las comparaciones entre grupos mostraron específicamente diferencias significativas en la edad cronológica (igual < mayor; p = 0,043), los síntomas depresivos (igual < mayor; p = 0,035) y el MMSE-DS (más joven, igual > mayor; p = 0,013, p = 0,002, respectivamente).
Tabla 1. Características demográficas, psicosociales y de las pruebas cognitivas de los participantes.
| Grupo de edad subjetiva | Total | Correlación de Spearman | |||
|---|---|---|---|---|---|
| Más joven (n = 29) | Igual (n = 19) | Mayor (n = 20) | |||
| Edad | 70,93 (6,32) | 69,58 (5,96) | 73,75 (6,54) | 71,38 (6,41) | 0,170 |
| Género | 15:14 | 14:5 | 13:7 | 42:26 | −0,136 |
| Educación | 7,79 (4,47) | 6,63 (3,11) | 4,40 (3,05) | 6,47 (3,95) | −0,323** |
| Síntomas depresivos | 11,45 (6,72) | 10,42 (5,80) | 14,90 (6,73) | 12,18 (6,64) | 0,198 |
| Salud autoevaluada | 3,07 (0,96) | 3,26 (1,19) | 3,80 (1,06) | 3,34 (1,09) | 0,317** |
| Extraversión | 34,59 (3,59) | 34,68 (3,93) | 33,45 (4,51) | 34,28 (3,95) | −0,033 |
| Apertura | 30,62 (3,73) | 31,05 (3,29) | 29,45 (3,80) | 30,40 (3,64) | −0,097 |
| MMSE | 26,90 (2,30) | 27,63 (2,34) | 25,00 (3,06) | 26,54 (2,73) | −0,232 |
| Memoria episódica | 1,74 (0,55) | 1,76 (0,39) | 1,50 (0,41) | 1,67 (0,48) | −0,193 |
| Memoria de trabajo | 1,02 (0,34) | 1,11 (0,33) | 0,80 (0,26) | 0,98 (0,33) | −0,248* |
| Fluidez categorial | 29,52 (9,43) | 30,37 (8,32) | 25,15 (7,5) | 28,47 (8,75) | −0,145 |
| Edad cerebral predicha | 73,24 (4,94) | 75,03 (4,31) | 77,15 (5,10) | 74,89 (5,03) | 0,413** |
Un valor más alto de salud autoevaluada denota peor salud. MMSE, Mini-mental State Examination (Mini-Examen del Estado Mental). La rho de Spearman indica la correlación de orden por rangos de la edad subjetiva de más joven a mayor. **p < 0,01, *p < 0,05.
A continuación examinamos cómo se asociaba la ES con el volumen regional de MG mediante el análisis VBM. Las diferencias entre los grupos de ES en el análisis ANCOVA exploratorio mostraron diferencias en el volumen regional en el giro frontal inferior derecho, el giro temporal superior derecho, el estriado bilateral y el giro poscentral izquierdo (Figura 1, Tabla 2). Una comparación post hoc entre cada par de grupos identificó cuatro clústeres significativos entre los resultados de la prueba F (FWE a nivel de vóxel o de clúster p < 0,05). La comparación por pares mostró que quienes tenían una ES más joven presentaban una densidad regional de MG especialmente mayor en comparación con los de los grupos de ES igual o mayor.

Figura 1. Resultado de la prueba F de morfometría basada en vóxeles (VBM) que compara tres grupos de edad subjetiva (ES) (más joven, igual y mayor) en los datos del Proyecto Coreano de Vida Social, Salud y Envejecimiento (KSHAP) (n = 68). Se visualizan las diferencias significativas entre grupos en la densidad regional de materia gris (MG) (p < 0,01, sin corregir, k > 500). Las pruebas t por pares post hoc de los tres grupos indicaron si había vóxeles corregidos por error familiar (FWE) (a nivel de vóxel o de clúster p < 0,05) incluidos en los clústeres identificados inicialmente en la prueba F.
Tabla 2. Resultado de la morfometría basada en vóxeles (VBM) que compara tres grupos de edad subjetiva (ES) en los datos del Proyecto Coreano de Vida Social, Salud y Envejecimiento (KSHAP) (n = 68).
| Nivel de clúster | Nivel de pico | Coordenadas MNI | Post hoc | |||||
|---|---|---|---|---|---|---|---|---|
| Regiones cerebrales | p (FWE) | k | p (FWE) | F | x | y | z | |
| GFI der. (p. opercular) | 0,424 | 1268 | 0,039 | 15,934 | 56 | 5 | 20 | Más joven > Igual |
| Giro temporal superior/Giro supramarginal der. | 0,013 | 3455 | 0,050 | 15,486 | 56 | −39 | 18 | Más joven > Igual, Mayor |
| GFI der. (p. orbitaria)/Ínsula | 0,016 | 3320 | 0,292 | 12,204 | 29 | 30 | −8 | Más joven > Mayor |
| Núcleo caudado izq. | 0,033 | 2855 | 0,624 | 10,474 | −6 | 15 | 0 | Más joven > Mayor |
| Giro poscentral izq. | 0,059 | 2487 | 0,654 | 10,339 | −60 | −18 | 21 | |
| Hipocampo der. | 0,898 | 643 | 1,000 | 6,804 | 36 | −21 | −12 | |
Densidad regional de materia gris (MG) con diferencias significativas entre grupos (p < 0,01, sin corregir, k > 500). La prueba t por pares post hoc indicó si había vóxeles corregidos por error familiar (FWE) (a nivel de vóxel o de clúster p < 0,05) incluidos en los clústeres identificados inicialmente en la prueba F.
A partir de la base de datos de acceso abierto (n = 598), construimos un modelo PLSR de morfología estructural cerebral que predice la edad cronológica. Los modelos con variables latentes añadidas secuencialmente (de 1 a 15 componentes) se validaron de forma cruzada mediante LOOCV. El modelo con cinco componentes tuvo la mayor precisión al predecir los datos dejados fuera (Figura 2; RMSE = 6,795, R2 = 0,726). Los modelos PLSR con más o menos de cinco componentes mostraron un RMSE relativamente mayor y una menor varianza explicada al predecir los datos dejados fuera, lo que indicó que eran modelos infraajustados o sobreajustados. El hipocampo bilateral, el giro temporal superior y la corteza prefrontal inferior tuvieron el promedio más alto de todos los pesos de los coeficientes, lo que indica las estructuras cerebrales importantes para predecir la edad cronológica de los individuos en el modelo final validado de forma cruzada (Tabla 3). A partir del modelo PLSR validado de forma cruzada, la edad cronológica de los sujetos del KSHAP (n = 68) se predijo con una precisión moderada (Figura 3A, R2 = 0,179, p = 3,32 × 10−4, error absoluto medio = 5,74). Los sujetos de la década de los 60 tenían edades predichas relativamente más altas, mientras que los de la década de los 80 mostraban edades estimadas inferiores a sus edades reales.

Figura 2. Error de predicción promedio (error cuadrático medio, RMSE, panel superior) y varianza explicada (R2, panel inferior) en cada muestra de entrenamiento dejada fuera (n = 598) a lo largo del número de componentes. El modelo de regresión por mínimos cuadrados parciales (PLSR) con cinco constructos latentes mostró la predicción de la edad fuera de muestra más precisa.
Tabla 3. Coeficientes promedio de los pesos en el modelo de predicción de la edad.
| Rango | Regiones cerebrales | Coeficientes promedio de los componentes PLSR | Coeficiente de correlación (r) con la edad |
|---|---|---|---|
| 1 | Hipocampo izq. | −3,718 | −0,635 |
| 2 | Hipocampo der. | −3,469 | −0,613 |
| 3 | Giro temporal superior izq. | −2,930 | −0,501 |
| 4 | Giro temporal superior der. | −2,810 | −0,595 |
| 5 | Surco temporal transverso der. | −2,152 | −0,408 |
| 6 | Giro frontal inferior opercular izq. | −2,115 | −0,616 |
| 7 | Giro temporal superior der. | −1,990 | −0,433 |
| 8 | Giro frontal inferior triangular der. | −1,953 | −0,532 |
| 9 | Giro temporal superior izq. | −1,899 | −0,552 |
| 10 | Ínsula inferior izq. | −1,872 | −0,447 |
| 11 | Parte opercular frontal inferior der. | −1,801 | −0,535 |
| 12 | Giro parahipocampal der. | −1,796 | −0,442 |
| 13 | Ínsula inferior der. | −1,667 | −0,432 |
| 14 | Giro temporal superior der. | −1,662 | −0,553 |
| 15 | Surco triangular frontal inferior der. | −1,619 | −0,340 |
| 16 | Giro parahipocampal izq. | −1,612 | −0,407 |
| 17 | Parte orbitaria frontal inferior izq. | −1,609 | −0,395 |
| 18 | Giro frontal medio der. | −1,582 | −0,542 |
| 19 | Giro temporal superior der. | −1,431 | −0,539 |
| 20 | Parte orbitaria frontal inferior der. | −1,408 | −0,329 |
Entre 156 regiones de interés (ROI) de grosor cortical regional y volúmenes subcorticales, se indican en orden descendente las 20 ROI con los pesos más altos.

Figura 3. (A) Modelo PLSR que predice significativamente la edad real del conjunto de datos del KSHAP (n = 68). (B) Diferencias entre grupos de ES en la edad cerebral predicha. Las medias grupales de la edad cerebral predicha están ajustadas por género, educación y edad real en el análisis de covarianza (ANCOVA). Los asteriscos indican diferencias significativas entre grupos. Las barras de error indican los errores estándar de la media. **p < 0,01, *p < 0,05.
El resultado del ANCOVA mostró una diferencia significativa entre los grupos de ES en la edad predicha, una vez ajustados el género, la educación y la edad cronológica (F(2,62) = 4,441, p = 0,016, η2 = 0,125). El análisis de correlación de Spearman mostró que la ordenación ordinal de más joven a mayor se asociaba positivamente con la edad cerebral predicha cuando se parcializaba el efecto de la edad cronológica (ρ = 0,314, p = 0,009). Como se muestra en la Figura 3B, una prueba post hoc mostró diferencias significativas en la edad predicha entre el grupo de ES más joven y los otros dos grupos (más joven > igual, p = 0,039; más joven > mayor, p = 0,009), pero la diferencia entre los grupos de ES igual y mayor no fue significativa (igual > mayor, p = 0,558). Repetimos las pruebas ANCOVA añadiendo términos de covariable para los síntomas depresivos, las funciones cognitivas, los rasgos de personalidad y la salud autoevaluada, todos los cuales se habían asociado con la ES en estudios previos. Sin embargo, los resultados del ANCOVA se mantuvieron sin cambios, incluso cuando se introdujo cada covariable (ps < 0,05, η2 = 0,105–0,142).
Discusión
La ES se asoció con una disminución del volumen regional de MG y también con la edad cerebral predicha. Nuestros hallazgos sugieren que sentirse subjetivamente mayor que la propia edad puede reflejar estructuras cerebrales que envejecen relativamente más rápido, mientras que quienes se sienten subjetivamente más jóvenes tendrían estructuras mejor conservadas y más sanas. Este estudio fue, hasta donde sabemos, el primer intento de examinar los fundamentos neuroanatómicos de la ES.
Cuando examinamos las diferencias estructurales regionales en la MG mediante el análisis VBM, encontramos que los volúmenes de la corteza prefrontal inferior, del giro temporal superior posterior y de la región estriatal mostraron la asociación más fuerte con los grupos de ES. Estudios previos han indicado que el volumen de la ínsula derecha está asociado con la metacognición y la conciencia del desempeño en una tarea (Cosentino et al., 2015), y que el giro temporal posterior derecho desempeña un papel importante en el procesamiento de la conciencia del propio cuerpo y de las representaciones espaciales (Karnath et al., 2001; Blanke et al., 2002). La degradación neuronal en estas regiones puede afectar a cómo se monitoriza el propio estado físico y a la percepción de los cambios relacionados con la edad. Por otro lado, el mecanismo central de la ES se ha localizado en el sistema dopaminérgico frontoestriatal, que desempeña un papel central para explicar el envejecimiento cerebral sano y el deterioro cognitivo (Bäckman et al., 2010). Entretanto, se ha encontrado que los volúmenes cerebrales reducidos de la corteza frontal inferior están asociados con un funcionamiento ineficiente de los procesos de control inhibitorio (Turner y Spreng, 2012; Aron et al., 2014). Se ha propuesto que la capacidad de inhibir o suprimir información irrelevante o que ya no es relevante es un proceso central para explicar el deterioro cognitivo relacionado con la edad en una variedad de tareas (Hasher y Zacks, 1988; Hasher et al., 1991). El déficit en tareas que requieren la función de control cognitivo puede haber afectado a la valoración global del propio estado de envejecimiento cognitivo. Es notable, sin embargo, que otras regiones cerebrales altamente susceptibles al envejecimiento (Fjell et al., 2009b, 2014) no mostraran una asociación destacada con la ES en nuestros resultados. Es decir, entre las muchas regiones cerebrales que experimentan cambios estructurales relacionados con la edad, áreas específicas fueron más relevantes para explicar cómo los adultos mayores sienten su propio proceso de envejecimiento. También debe señalarse que las interpretaciones basadas en la variación de la morfología regional y las inferencias inversas deben hacerse con gran cautela (Poldrack, 2006).
Para aclarar la relación con la edad de la asociación entre las estructuras cerebrales y la ES, aplicamos el procedimiento de modelado fuera de muestra para derivar un índice global de envejecimiento cerebral. Dado que las diferencias individuales en las estructuras cerebrales pueden darse no solo por cambios neurofisiológicos relacionados con la edad, sino también por otras diferencias individuales preexistentes, como los rasgos de personalidad (Kanai y Rees, 2011), la aplicación del modelado de predicción de la edad fue crucial para interpretar las diferencias neuroanatómicas observadas en el estudio. De manera importante, encontramos que los patrones multivariados relacionados con la edad expresados en el grosor cortical y en los volúmenes subcorticales diferían entre los grupos de ES. Más concretamente, se encontró que las regiones cerebrales altamente predictivas de la edad cronológica se solapaban en parte con las regiones identificadas en el análisis VBM, incluyendo el hipocampo, el giro temporal superior y la corteza frontal inferior. Quienes se sentían más jóvenes que su edad real también tenían patrones estructurales cerebrales más jóvenes, y viceversa.
Nuestros resultados pueden sugerir que, en consonancia con la hipótesis interoceptiva (Diehl y Wahl, 2010), sentirse más joven o mayor que la propia edad cronológica puede ser una percepción indirecta del envejecimiento neurobiológico, más que una defensa psicológica contra los estereotipos negativos sobre el envejecimiento (Weiss y Lang, 2012) o la comparación social (Mussweiler et al., 2000). Si las diferencias individuales en la ES resultaran principalmente de los impactos sociales sobre la representación actitudinal, sería menos probable que sentirse más joven estuviera asociado con marcadores del envejecimiento neurobiológico. Examinar los correlatos de la ES utilizando marcadores de envejecimiento medidos objetivamente, distintos de las medidas autoinformadas, puede reforzar la validez de la hipótesis interoceptiva. Aunque estudios previos ya han mostrado que quienes tienen una ES mayor presentan peores marcadores de envejecimiento biológico (Stephan et al., 2015b,c), nuestros hallazgos amplían la hipótesis de que una ES mayor está asociada con una mayor progresión del proceso de envejecimiento cerebral y con una peor salud cerebral. La atrofia tisular significativa en la MG y una mayor edad cerebral pueden reflejar riesgos cerebrovasculares (Seo et al., 2012; Lockhart y DeCarli, 2014), y tales cambios pueden hacer que los adultos mayores valoren sus funciones deterioradas como resultado de su envejecimiento (Vestergren y Nilsson, 2011).
De acuerdo con estudios previos que han informado de la significación clínica de las percepciones subjetivas del deterioro cognitivo (Rabin et al., 2017), la valoración subjetiva del propio declive puede aportar información sobre cambios neurobiológicos que de otro modo no son detectables con pruebas cognitivas objetivas. Si sentirse mayor en la ES está afectado por una disminución de la función cognitiva o de la eficacia cognitiva (Boehmer, 2007; Schafer y Shippee, 2010; Stephan et al., 2011), es probable que la ES refleje cambios cerebrales patológicos y disminuciones sutiles de la capacidad neuronal que de otro modo no se pueden detectar. Los volúmenes disminuidos de MG y una mayor edad cerebral pueden conducir a una menor eficiencia de procesamiento en una variedad de tareas cognitivas exigentes, y este desajuste prolongado entre los recursos neuronales reducidos y las gravosas demandas del entorno puede crear una percepción subjetiva de envejecimiento. Los individuos con una ES mayor se sienten mayores porque experimentan sensaciones negativas frecuentes al realizar más esfuerzos cognitivos en la vida diaria en comparación con quienes informan de una ES más joven o igual. Los fallos cognitivos benignos que ocurren a diario tienden a atribuirse a cambios relacionados con la edad entre los adultos mayores (Vestergren y Nilsson, 2011). Es posible que el efecto del envejecimiento cerebral influya en la conciencia del cambio relacionado con la edad de manera más directa que una mera valoración de la salud física (Cole y Franke, 2017), como se ve en nuestro resultado, que permaneció sin cambios incluso al tener en cuenta el efecto de la salud autoevaluada. Aunque observamos que una ES mayor estaba asociada con un menor rendimiento cognitivo, especialmente en la función de memoria de trabajo, el ajuste por estas diferencias no cambió la relación entre la ES y la edad cerebral. Si bien asumimos que la ES refleja una percepción estable y precisa de los cambios cerebrales relacionados con la edad, otra posibilidad considerada en este estudio era que las personas pueden sentirse mayores debido a estados emocionales excesivamente autorreferenciales y negativos (Reid y MacLullich, 2006; Rabin et al., 2017). Es decir, cuando se sobrestima la experiencia del deterioro cognitivo benigno relacionado con la edad, un adulto mayor puede percibirse a sí mismo como más viejo que su edad real (Pearman et al., 2014; Hülür et al., 2015). Sin embargo, según los resultados de nuestro estudio, ni la salud autoevaluada ni los síntomas depresivos explicaron la diferencia significativa en la edad cerebral. Estas consideraciones adicionales pueden sugerir que las diferencias individuales en la ES reflejan de forma estable un estado prolongado y acumulado del envejecimiento cerebral, hasta un grado que no fluctúa con condiciones temporales (Hughes et al., 2013; Stephan et al., 2013; Geraci et al., 2018).
Otro hallazgo notable fue que el grupo de ES más joven mostró una diferencia significativa en la edad cerebral predicha. Aunque la mayoría de los estudios previos han examinado los efectos lineales y continuos de la ES sobre diversos resultados, nuestros hallazgos sugieren que sentirse más joven y sentirse mayor pueden no ser procesos cognitivos simétricos ni lineales (Kotter-Grühn y Hess, 2012; Weiss y Lang, 2012), y que las consecuencias para la salud también pueden diferir entre los dos grupos categorizados. En nuestro estudio, mientras que el grupo de ES mayor mostró una tendencia a tener peor función cognitiva y a presentar mayores síntomas depresivos, sentirse más joven estuvo especialmente asociado con características estructurales cerebrales más jóvenes.
Deben señalarse varias limitaciones. Aunque construimos un modelo de predicción de la edad que explica con precisión la edad real a través de los sujetos dejados fuera, a un nivel comparable con un estudio previo (Franke et al., 2010), el modelo de predicción de la edad mostró una precisión relativamente menor entre los sujetos del KSHAP. La baja correlación entre la edad real y la edad cerebral estimada puede explicarse por el hecho de que el rendimiento predictivo de la validación externa suele ser peor que el de la validación interna, porque los conjuntos de datos independientes no garantizan características muestrales, protocolos de recopilación de datos y parámetros de modelado homogéneos (Woo et al., 2017). Los extensos procedimientos de cribado basados en las evaluaciones neuropsicológicas podrían haber dado lugar a una sobrerrepresentación, en nuestro estudio, de adultos mayores sanos libres de neuropatología grave, en mayor medida que en los conjuntos de datos de acceso abierto. Esto, a su vez, habría reducido la pendiente entre la edad real y la edad cerebral estimada. Además, los efectos transversales de la edad pueden subestimarse, especialmente cuando los rangos de edad se limitan a los 60 y los 80 años (Fjell et al., 2014). Si los datos del KSHAP hubieran incluido sujetos de mediana edad, las edades predichas podrían haber sido más precisas entre los sujetos. Otra limitación es la medición poco precisa de la ES. La baja resolución de la medida categórica actual puede haber provocado la pérdida de información sobre el grado en que los participantes sienten su edad dentro de cada grupo categorizado de ES. Además, estudios recientes han subrayado los aspectos multidimensionales de la ES (Diehl et al., 2014) y han intentado separar adicionalmente el concepto de ES en estereotipos negativos del envejecimiento (Levy et al., 2016) y autoidentificación basada en el grupo de referencia social (Barak, 2009), además de la conciencia interoceptiva. La interpretación podría haber sido más clara si hubiéramos preguntado por separado por ambos aspectos: la influencia social y la conciencia interna de la ES. Se requiere más investigación para distinguir los mecanismos neuronales específicos tanto de la percepción interoceptiva como de la influencia social. Por último, aunque hemos interpretado principalmente la ES como resultado del cambio cerebral relacionado con la edad, mantener una ES más joven también puede conducir a un estilo de vida física y mentalmente más activo, que lleva a un cerebro más sano. Futuros estudios longitudinales aclararán aún más estas relaciones temporales.
Implicaciones prácticas
El estudio sugiere que la respuesta a una pregunta muy sencilla —«¿qué edad siente que tiene, en comparación con su edad real?»— no es solo una actitud o un rasgo de optimismo: en esta muestra de 68 adultos mayores sanos, quienes se sentían más jóvenes tenían, de media, un cerebro cuya estructura «aparentaba» menos edad, incluso tras ajustar por edad cronológica, sexo, educación, depresión, salud autoevaluada, cognición y personalidad.
Para la práctica clínica
- La edad subjetiva es una pregunta barata con información útil. Puede incorporarse a la entrevista geriátrica o a la valoración neuropsicológica como dato complementario. Que una persona mayor diga sentirse mayor que su edad merece atención, porque en la literatura se asocia con peor salud, deterioro cognitivo, demencia y hospitalización.
- No es una herramienta diagnóstica. Las diferencias son promedios de grupo (unos 4 años de edad cerebral predicha entre «más joven» y «mayor», sin ajustar) y el modelo de edad cerebral solo explicó el 18 % de la varianza de la edad real en esta muestra. No permite concluir nada sobre una persona concreta.
- Escuchar la experiencia subjetiva. En la línea de las quejas cognitivas subjetivas, la percepción del propio envejecimiento puede captar cambios sutiles que las pruebas estándar no detectan. Conviene explorarla, no descartarla como «simple pesimismo».
Para la investigación
- Hacen falta estudios longitudinales que aclaren la dirección del efecto: ¿el cerebro que envejece más rápido hace que la persona se sienta mayor (hipótesis interoceptiva), o sentirse joven lleva a un estilo de vida más activo que protege el cerebro? Probablemente ambas cosas.
- La medida de edad subjetiva fue una única pregunta con tres respuestas. Escalas continuas y multidimensionales (estereotipos del envejecimiento, comparación social, conciencia interoceptiva) permitirían separar mecanismos.
- Sería valioso replicarlo en población hispanohablante, con muestras mayores y que incluyan personas de mediana edad.
Nota editorial de Psicoevidencia
Es un estudio transversal, con una muestra pequeña (n = 68) y muy seleccionada (adultos mayores coreanos sin deterioro cognitivo), y con un análisis VBM de carácter exploratorio (umbral liberal, sin corrección para la prueba F inicial). Sus resultados deben leerse como una asociación prometedora, no como prueba de que «sentirse joven rejuvenece el cerebro». En la Tabla 1, la nota de los autores indica que un valor más alto de salud autoevaluada denota peor salud, mientras que en Métodos se describe lo contrario; reproducimos ambos tal como aparecen en el original. Hemos corregido dos erratas evidentes del original: el valor p de la predicción de la edad (que aparece como 3,32 × 104 en lugar de 3,32 × 10−4) y la sigla «PSLR» de la cabecera de la Tabla 3 (PLSR).
Declaraciones
Proceso editorial
- Editado por: Nicolas Cherbuin, Universidad Nacional de Australia, Australia
- Revisado por: Manuel De Vega, Universidad de La Laguna, España; Deep R. Sharma, SUNY Downstate Medical Center, Estados Unidos
- Recibido: 3 de enero de 2018 · Aceptado: 18 de mayo de 2018 · Publicado: 7 de junio de 2018
- Palabras clave: edad subjetiva, autopercepciones del envejecimiento, atrofia de la materia gris, VBM, edad cerebral
- Correspondencia: Jeanyung Chey
Contribuciones de los autores
JC y YY obtuvieron la financiación y supervisaron el estudio. SK: recopilación de datos, diseño del estudio, análisis de datos y redacción del manuscrito. HK: recopilación de datos y análisis de datos.
Declaración de conflicto de intereses
Los autores declaran que la investigación se llevó a cabo en ausencia de cualquier relación comercial o financiera que pudiera interpretarse como un posible conflicto de intereses.
Agradecimientos
Agradecemos a S. Cho sus comentarios constructivos sobre el manuscrito.
Financiación
Esta investigación contó con el apoyo de la Fundación Nacional de Investigación de Corea (NRF-2017S1A3A2067165), financiada por el Ministerio de Educación, Ciencia y Tecnología. Esta investigación ha contado con el apoyo de la Fundación AMOREPACIFIC.
Notas al pie
Referencias
An, H., Chey, J. (2004). A standardization study of the story recall test in the elderly Korean population. Korean J. Clin. Psychol. 23, 435–454.
Aron, A. R., Robbins, T. W., Poldrack, R. A. (2014). Inhibition and the right inferior frontal cortex: one decade on. Trends Cogn. Sci. 18, 177–185. https://doi.org/10.1016/j.tics.2013.12.003
Ashburner, J. (2007). A fast diffeomorphic image registration algorithm. Neuroimage 38, 95–113. https://doi.org/10.1016/j.neuroimage.2007.07.007
Ashburner, J., Friston, K. J. (2005). Unified segmentation. Neuroimage 26, 839–851. https://doi.org/10.1016/j.neuroimage.2005.02.018
Bäckman, L., Lindenberger, U., Li, S.-C., Nyberg, L. (2010). Linking cognitive aging to alterations in dopamine neurotransmitter functioning: recent data and future avenues. Neurosci. Biobehav. Rev. 34, 670–677. https://doi.org/10.1016/j.neubiorev.2009.12.008
Barak, B. (2009). Age identity: a cross-cultural global approach. Int. J. Behav. Dev. 33, 2–11. https://doi.org/10.1177/0165025408099485
Barak, B., Rahtz, D. (1999). Perceived youth: appraisal and characterization. Int. J. Aging Hum. Dev. 49, 231–257. https://doi.org/10.2190/11cw-wklj-40kw-7kg9
Barrett, A. E. (2003). Socioeconomic status and age identity: the role of dimensions of health in the subjective construction of age. J. Gerontol. B Psychol. Sci. Soc. Sci. 58, S101–S109. https://doi.org/10.1093/geronb/58.2.s101
Blanke, O., Ortigue, S., Landis, T., Seeck, M. (2002). Neuropsychology: stimulating illusory own-body perceptions. Nature 419, 269–270. https://doi.org/10.1038/419269a
Boehmer, S. (2007). Relationships between felt age and perceived disability, satisfaction with recovery, self-efficacy beliefs and coping strategies. J. Health Psychol. 12, 895–906. https://doi.org/10.1177/1359105307082453
Chey, J. (2007). Elderly Memory Disorder Scale. Seoul: Hakjisa.
Chey, J., Na, D. G., Tae, W. S., Ryoo, J. W., Hong, S. B. (2006). Medial temporal lobe volume of nondemented elderly individuals with poor cognitive functions. Neurobiol. Aging 27, 1269–1279. https://doi.org/10.1016/j.neurobiolaging.2005.07.020
Cole, J. H., Franke, K. (2017). Predicting age using neuroimaging: innovative brain ageing biomarkers. Trends Neurosci. 40, 681–690. https://doi.org/10.1016/j.tins.2017.10.001
Cosentino, S., Brickman, A. M., Griffith, E., Habeck, C., Cines, S., Farrell, M., et al.. (2015). The right insula contributes to memory awareness in cognitively diverse older adults. Neuropsychologia 75, 163–169. https://doi.org/10.1016/j.neuropsychologia.2015.05.032
Costa, P., McCrae, R. (1992). Revised NEO Personality (NEOPI-R) and NEO Five Factor Inventory (NEO-FFI) Professional Manual Odessa, fll: Psychological Assessment Resources. Hoboken, NJ: John Wiley & Sons. Available online at: http://www.oalib.com/references/7491296
Dahnke, R., Yotter, R. A., Gaser, C. (2013). Cortical thickness and central surface estimation. Neuroimage 65, 336–348. https://doi.org/10.1016/j.neuroimage.2012.09.050
Dahnke, R., Ziegler, G., Gaser, C. (2012). Local Adaptive Segmentation. Beijing. HBM. Available online at: http://dbm.neuro.uni-jena.de/HBM2012/HBM2012-Dahnke02.pdf
de Groot, J. C., de Leeuw, F. E., Oudkerk, M., Hofman, A., Jolles, J., Breteler, M. M. B. (2001). Cerebral white matter lesions and subjective cognitive dysfunction: the Rotterdam scan study. Neurology 56, 1539–1545. https://doi.org/10.1212/wnl.56.11.1539
Demakakos, P., Gjonca, E., Nazroo, J. (2007). Age identity, age perceptions, and health: evidence from the english longitudinal study of ageing. Ann. N Y Acad. Sci. 1114, 279–287. https://doi.org/10.1196/annals.1396.021
Destrieux, C., Fischl, B., Dale, A., Halgren, E. (2010). Automatic parcellation of human cortical gyri and sulci using standard anatomical nomenclature. Neuroimage 53, 1–15. https://doi.org/10.1016/j.neuroimage.2010.06.010
Diehl, M. K., Wahl, H. W. (2010). Awareness of age-related change: examination of a (Mostly) unexplored concept. J. Gerontol. B Psychol. Sci. Soc. Sci. 65B, 340–350. https://doi.org/10.1093/geronb/gbp110
Diehl, M. K., Wahl, H. W., Barrett, A. E., Brothers, A. F., Miche, M., Montepare, J. M., et al.. (2014). Awareness of aging: theoretical considerations on an emerging concept. Dev. Rev. 34, 93–113. https://doi.org/10.1016/j.dr.2014.01.001
Fjell, A. M., Walhovd, K. B., Fennema-Notestine, C., McEvoy, L. K., Hagler, D. J., Holland, D., et al.. (2009a). One-year brain atrophy evident in healthy aging. J. Neurosci. 29, 15223–15231. https://doi.org/10.1523/JNEUROSCI.3252-09.2009
Fjell, A. M., Westlye, L. T., Amlien, I., Espeseth, T., Reinvang, I., Raz, N., et al.. (2009b). High consistency of regional cortical thinning in aging across multiple samples. Cereb. Cortex 19, 2001–2012. https://doi.org/10.1093/cercor/bhn232
Fjell, A. M., Westlye, L. T., Grydeland, H., Amlien, I., Espeseth, T., Reinvang, I., et al.. (2013). Critical ages in the life-course of the adult brain: nonlinear subcortical aging. Neurobiol. Aging 34, 2239–2247. https://doi.org/10.1016/j.neurobiolaging.2013.04.006
Fjell, A. M., Westlye, L. T., Grydeland, H., Amlien, I., Espeseth, T., Reinvang, I., et al.. (2014). Accelerating cortical thinning: unique to dementia or universal in aging? Cell 24, 919–934. https://doi.org/10.1093/cercor/bhs379
Franke, K., Gaser, C. (2012). Longitudinal changes in individual BrainAGE in healthy aging, mild cognitive impairment and Alzheimer’s disease. GeroPsych 25, 235–245. https://doi.org/10.1024/1662-9647/a000074
Franke, K., Gaser, C., Manor, B., Novak, V. (2013). Advanced BrainAGE in older adults with type 2 diabetes mellitus. Front. Aging Neurosci. 5:90. https://doi.org/10.3389/fnagi.2013.00090
Franke, K., Ziegler, G., Klöppel, S., Gaser, C., Alzheimer’s Disease Neuroimaging Initiative. (2010). Estimating the age of healthy subjects from T1-weighted MRI scans using kernel methods: exploring the influence of various parameters. Neuroimage 50, 883–892. https://doi.org/10.1016/j.neuroimage.2010.01.005
Gabrieli, J. D. E., Ghosh, S. S., Whitfield-Gabrieli, S. (2015). Prediction as a humanitarian and pragmatic contribution from human cognitive neuroscience. Neuron 85, 11–26. https://doi.org/10.1016/j.neuron.2014.10.047
Geraci, L., De Forrest, R., Hughes, M., Saenz, G., Tirso, R., Geraci, L., et al.. (2018). The effect of cognitive testing and feedback on older adults ’ subjective age. Neuropsychol. Dev. Cogn. B Aging Neuropsychol. Cogn. 25, 333–350. https://doi.org/10.1080/13825585.2017.1299853
Good, C. D., Johnsrude, I. S., Ashburner, J., Henson, R. N., Friston, K. J., Frackowiak, R. S. (2001). A voxel-based morphometric study of ageing in 465 normal adult human brains. Neuroimage 14, 21–36. https://doi.org/10.1006/nimg.2001.0786
Han, J. W., Kim, T. H., Jhoo, J. H., Park, J. H., Kim, J. L., Ryu, S. H., et al.. (2010). A normative study of the mini-mental state examination for dementia screening (MMSE-DS) and its short form (SMMSE-DS) in the Korean elderly. J. Korean Geriatr. Psychiatry 14, 27–37.
Hasher, L., Stoltzfus, E. R., Zacks, R. T., Rypma, B. (1991). Age and inhibition. J. Exp. Psychol. Learn. Mem. Cogn. 17, 163–169. https://doi.org/10.1037/0278-7393.17.1.163
Hasher, L., Zacks, R. T. (1988). Working memory, comprehension, and aging: a review and a new view. Psychol. Learn. Motiv. 22, 193–225. https://doi.org/10.1016/s0079-7421(08)60041-9
Hughes, M. L., Geraci, L., De Forrest, R. L. (2013). Aging 5 years in 5 minutes: the effect of taking a memory test on older adults’ subjective age. Psychol. Sci. 24, 2481–2488. https://doi.org/10.1177/0956797613494853
Hülür, G., Hertzog, C., Pearman, A. M., Gerstorf, D. (2015). Correlates and moderators of change in subjective memory and memory performance: findings from the health and retirement study. Gerontology 61, 232–240. https://doi.org/10.1159/000369010
Joo, W., Kwak, S., Youm, Y., Chey, J. (2017). Brain functional connectivity difference in the complete network of an entire village: the role of social network size and embeddedness. Sci. Rep. 7:4465. https://doi.org/10.1038/s41598-017-04904-1
Kanai, R., Rees, G. (2011). The structural basis of inter-individual differences in human behaviour and cognition. Nat. Rev. Neurosci. 12, 231–242. https://doi.org/10.1038/nrn3000
Kang, Y., Chin, J., Na, D. L., Lee, J., Park, J. S. (2000). A normative study of the korean version of controlled oral word association test (COWAT) in the elderly. Korean J. Clin. Psychol. 19, 385–392.
Kang, Y., Jang, S., Na, D. (2012). Seoul Neuropsychological Screening Battery (SNSB). 2nd Edn. Seoul: Human Brain Research Consulting.
Karnath, H.-O., Ferber, S., Himmelbach, M. (2001). Spatial awareness is a function of the temporal not the posterior parietal lobe. Nature 411, 950–953. https://doi.org/10.1038/35082075
Keyes, C. L. M., Westerhof, G. J. (2012). Chronological and subjective age differences in flourishing mental health and major depressive episode. Aging Ment. Health 16, 67–74. https://doi.org/10.1080/13607863.2011.596811
Kotter-Grühn, D., Hess, T. M. (2012). The impact of age stereotypes on self-perceptions of aging across the adult lifespan. J. Gerontol. B Psychol. Sci. Soc. Sci. 67B, 563–571. https://doi.org/10.1093/geronb/gbr153
Kotter-Grühn, D., Kornadt, A. E., Stephan, Y. (2015). Looking beyond chronological age: current knowledge and future directions in the study of subjective age. Gerontology 62, 86–93. https://doi.org/10.1159/000438671
Krishnan, A., Williams, L. J., McIntosh, A. R., Abdi, H. (2011). Partial Least Squares (PLS) methods for neuroimaging: a tutorial and review. Neuroimage 56, 455–475. https://doi.org/10.1016/j.neuroimage.2010.07.034
Kuhn, M. (2015). A short introduction to the caret package. R Found. Stat. Comput. 1–10. Available online at: https://cran.r-project.org/web/packages/caret/caret.pdf
Levy, B. R., Ferrucci, L., Zonderman, A. B., Slade, M. D., Troncoso, J., Resnick, S. M. (2016). A culture—brain link: negative age stereotypes predict Alzheimer’s disease biomarkers. Psychol. Aging 31, 82–88. https://doi.org/10.1037/pag0000062
Liem, F., Varoquaux, G., Kynast, J., Beyer, F., Kharabian Masouleh, S., Huntenburg, J. M., et al.. (2017). Predicting brain-age from multimodal imaging data captures cognitive impairment. Neuroimage 148, 179–188. https://doi.org/10.1016/j.neuroimage.2016.11.005
Lockhart, S. N., DeCarli, C. (2014). Structural imaging measures of brain aging. Neuropsychol. Rev. 24, 271–289. https://doi.org/10.1007/s11065-014-9268-3
Löwe, L. C., Gaser, C., Franke, K. (2016). The effect of the APOE genotype on individual BrainAGE in normal aging, Mild cognitive impairment, and Alzheimer’s disease. PLoS One 11:e0157514. https://doi.org/10.1371/journal.pone.0157514
MacDonald, S. W. S., DeCarlo, C. A., Dixon, R. A. (2011). Linking biological and cognitive aging: toward improving characterizations of developmental time. J. Gerontol. B Psychol. Sci. Soc. Sci. 66, i59–i70. https://doi.org/10.1093/geronb/gbr039
Manjón, J. V., Coupé, P., Martí-Bonmatí, L., Collins, D. L., Robles, M. (2010). Adaptive non-local means denoising of MR images with spatially varying noise levels. J. Magn. Reson. Imaging 31, 192–203. https://doi.org/10.1002/jmri.22003
Marcus, D. S., Fotenos, A. F., Csernansky, J. G., Morris, J. C., Buckner, R. L. (2010). Open access series of imaging studies: longitudinal MRI data in nondemented and demented older adults. J. Cogn. Neurosci. 22, 2677–2684. https://doi.org/10.1162/jocn.2009.21407
Marcus, D. S., Wang, T. H., Parker, J., Csernansky, J. G., Morris, J. C., Buckner, R. L. (2007). Open access series of imaging studies (OASIS): cross-sectional MRI Data in Young, Middle Aged, Nondemented, and demented older adults. J. Cogn. Neurosci. 19, 1498–1507. https://doi.org/10.1162/jocn.2007.19.9.1498
Matsuda, H. (2013). Voxel-based morphometry of brain MRI in normal aging and Alzheimer’s disease. Aging Dis. 4, 29–37.
McIntosh, A. R., Lobaugh, N. J. (2004). Partial least squares analysis of neuroimaging data: applications and advances. Neuroimage 23, S250–S263. https://doi.org/10.1016/j.neuroimage.2004.07.020
Mussweiler, T., Gabriel, S., Bodenhausen, G. V. (2000). Shifting social identities as a strategy for deflecting threatening social comparisons. J. Pers. Soc. Psychol. 79, 398–409. https://doi.org/10.1037/0022-3514.79.3.398
Park, S., Kim, E., Kim, H., Chey, J. (2011). Effects of age and education on the Simple Rey Figure Test in elderly Koreans. Korean J. Psychol. Gen. 30, 99–115.
Pearman, A., Hertzog, C., Gerstorf, D. (2014). Little evidence for links between memory complaints and memory performance in very old age: longitudinal analyses from the Berlin Aging Study. Psychol. Aging 29, 828–842. https://doi.org/10.1037/a0037141
Poldrack, R. A. (2006). Can cognitive processes be inferred from neuroimaging data? Trends Cogn. Sci. 10, 59–63. https://doi.org/10.1016/j.tics.2005.12.004
Rabin, L. A., Smart, C. M., Amariglio, R. E. (2017). Subjective cognitive decline in preclinical Alzheimer’s disease. Annu. Rev. Clin. Psychol. 13, 369–396. https://doi.org/10.1146/annurev-clinpsy-032816-045136
Raz, N., Ghisletta, P., Rodrigue, K. M., Kennedy, K. M., Lindenberger, U. (2010). Trajectories of brain aging in middle-aged and older adults: regional and individual differences. Neuroimage 51, 501–511. https://doi.org/10.1016/j.neuroimage.2010.03.020
Reid, L. M., MacLullich, A. M. J. (2006). Subjective memory complaints and cognitive impairment in older people. Dement. Geriatr. Cogn. Disord. 22, 471–485. https://doi.org/10.1159/000096295
Righart, R., Schmidt, P., Dahnke, R., Biberacher, V., Beer, A., Buck, D., et al.. (2017). Volume versus surface-based cortical thickness measurements: a comparative study with healthy controls and multiple sclerosis patients. PLoS One 12:e0179590. https://doi.org/10.1371/journal.pone.0179590
Ronan, L., Alexander-Bloch, A. F., Wagstyl, K., Farooqi, S., Brayne, C., Tyler, L. K., et al.. (2016). Obesity associated with increased brain age from midlife. Neurobiol. Aging 47, 63–70. https://doi.org/10.1016/j.neurobiolaging.2016.07.010
Rubin, D. C., Berntsen, D. (2006). People over forty feel 20% younger than their age: subjective age across the lifespan. Psychon. Bull. Rev. 13, 776–780. https://doi.org/10.3758/BF03193996
Rudolph, M. D., Miranda-Domínguez, O., Cohen, A. O., Breiner, K., Steinberg, L., Bonnie, R. J., et al.. (2017). At risk of being risky: the relationship between “brain age” under emotional states and risk preference. Dev. Cogn. Neurosci. 24, 93–106. https://doi.org/10.1016/j.dcn.2017.01.010
Schafer, M. H., Shippee, T. P. (2010). Age identity, gender, and perceptions of decline: does feeling older lead to pessimistic dispositions about cognitive aging? J. Gerontol. B Psychol. Sci. Soc. Sci. 65B, 91–96. https://doi.org/10.1093/geronb/gbp046
Seo, S. W., Lee, J.-M., Im, K., Park, J.-S., Kim, S.-H., Kim, S. T., et al.. (2012). Cardiovascular risk factors cause cortical thinning in cognitively impaired patients: relationships among cardiovascular risk factors, white matter hyperintensities, and cortical atrophy. Alzheimer Dis. Assoc. Disord. 26, 106–112. https://doi.org/10.1097/wad.0b013e31822e0831
Song, H., Chey, J. (2006). A normative study of the digit span and the spatial span for the elderly Koreans. Korean J. Clin. Psychol. 25, 505–532.
Stephan, Y., Caudroit, J., Chalabaev, A. (2011). Subjective health and memory self-efficacy as mediators in the relation between subjective age and life satisfaction among older adults. Aging Ment. Health 15, 428–436. https://doi.org/10.1080/13607863.2010.536138
Stephan, Y., Caudroit, J., Jaconelli, A., Terracciano, A. (2014). Subjective age and cognitive functioning: a 10-year prospective study. Am. J. Geriatr. Psychiatry 22, 1180–1187. https://doi.org/10.1016/j.jagp.2013.03.007
Stephan, Y., Chalabaev, A., Kotter-Grühn, D., Jaconelli, A. (2013). “Feeling younger, being stronger”: an experimental study of subjective age and physical functioning among older adults. J. Gerontol. B Psychol. Sci. Soc. Sci. 68, 1–7. https://doi.org/10.1093/geronb/gbs037
Stephan, Y., Demulier, V., Terracciano, A. (2012). Personality, self-rated health, and subjective age in a life-span sample: the moderating role of chronological age. Psychol. Aging 27, 875–880. https://doi.org/10.1037/a0028301
Stephan, Y., Sutin, A. R., Terracciano, A. (2015a). “Feeling younger, walking faster”: subjective age and walking speed in older adults. Age 37:86. https://doi.org/10.1007/s11357-015-9830-9
Stephan, Y., Sutin, A. R., Terracciano, A. (2015b). How old do you feel? The role of age discrimination and biological aging in subjective age. PLoS One 10:e0119293. https://doi.org/10.1371/journal.pone.0119293
Stephan, Y., Sutin, A. R., Terracciano, A. (2015c). Younger subjective age is associated with lower C-reactive protein among older adults. Brain. Behav. Immun. 43, 33–36. https://doi.org/10.1016/j.bbi.2014.07.019
Stephan, Y., Sutin, A. R., Luchetti, M., Terracciano, A. (2016a). Feeling older and the development of cognitive impairment and dementia. J. Gerontol. B Psychol. Sci. Soc. Sci. 72, 966–973. https://doi.org/10.1093/geronb/gbw085
Stephan, Y., Sutin, A. R., Terracciano, A. (2016b). Feeling older and risk of hospitalization: evidence from three longitudinal cohorts. Heal. Psychol. 35, 634–637. https://doi.org/10.1037/hea0000335
Stewart, R., Dufouil, C., Godin, O., Ritchie, K., Maillard, P., Delcroix, N., et al.. (2008). Neuroimaging correlates of subjective memory deficits in a community population. Neurology 70, 1601–1607. https://doi.org/10.1212/01.wnl.0000310982.99438.54
Turner, G. R., Spreng, R. N. (2012). Executive functions and neurocognitive aging: dissociable patterns of brain activity. Neurobiol. Aging 33, 826.e1–826.e13. https://doi.org/10.1016/j.neurobiolaging.2011.06.005
Vestergren, P., Nilsson, L. G. (2011). Perceived causes of everyday memory problems in a population-based sample aged 39–99. Appl. Cogn. Psychol. 25, 641–646. https://doi.org/10.1002/acp.1734
Weiss, D., Lang, F. R. (2012). “They” are old but “I” feel younger: age-group dissociation as a self-protective strategy in old age. Psychol. Aging 27, 153–163. https://doi.org/10.1037/a0024887
Westerhof, G. J., Barrett, A. E. (2005). Age identity and subjective well-being: a comparison of the United States and Germany. J. Gerontol. B Psychol. Sci. Soc. Sci. 60, S129–S136. https://doi.org/10.1093/geronb/60.3.s129
Westerhof, G. J., Miche, M., Brothers, A. F., Barrett, A. E., Diehl, M., Montepare, J. M., et al.. (2014). The influence of subjective aging on health and longevity: a meta-analysis of longitudinal data. Psychol. Aging 29, 793–802. https://doi.org/10.1037/a0038016
Whelan, R., Garavan, H. (2014). When optimism hurts: inflated predictions in psychiatric neuroimaging. Biol. Psychiatry 75, 746–748. https://doi.org/10.1016/j.biopsych.2013.05.014
Woo, C.-W., Chang, L. J., Lindquist, M. A., Wager, T. D. (2017). Building better biomarkers: brain models in translational neuroimaging. Nat. Neurosci. 20, 365–377. https://doi.org/10.1038/nn.4478
Yasuno, F., Kazui, H., Yamamoto, A., Morita, N., Kajimoto, K., Ihara, M., et al.. (2015). Resting-state synchrony between the retrosplenial cortex and anterior medial cortical structures relates to memory complaints in subjective cognitive impairment. Neurobiol. Aging 36, 2145–2152. https://doi.org/10.1016/j.neurobiolaging.2015.03.006
Yesavage, J. A., Brink, T. L., Rose, T. L., Lum, O., Huang, V., Adey, M., et al.. (1982). Development and validation of a geriatric depression screening scale: a preliminary report. J. Psychiatr. Res. 17, 37–49. https://doi.org/10.1016/0022-3956(82)90033-4
Licencia y atribución
Versión en español de Feeling How Old I Am: Subjective Age Is Associated With Estimated Brain Age (Kwak, S., Kim, H., Chey, J., Youm, Y., 2018), publicado en Frontiers in Aging Neuroscience, vol. 10, art. 168, doi:10.3389/fnagi.2018.00168. El artículo original se distribuye bajo licencia Creative Commons Atribución 4.0 (CC BY 4.0), que permite su traducción y difusión pública con atribución.
© 2018 Kwak, Kim, Chey y Youm. Artículo original publicado en acceso abierto en Frontiers in Aging Neuroscience (vol. 10, art. 168) bajo licencia Creative Commons Atribución 4.0 (CC BY 4.0). Esta página es una traducción completa al español con el mismo orden de secciones, tablas y figuras; los títulos de las referencias se mantienen en su idioma original. Se han añadido el resumen en 3 líneas y las implicaciones prácticas con una nota editorial de Psicoevidencia. La traducción no ha sido revisada por los autores originales.
