Die Auswirkungen von Umweltfaktoren, die mit der Urbanität in der Kindheit verbunden sind, auf die Gehirnstruktur und die Kognition

Sep 01, 2023

BMC Psychiatry Band 23, Artikelnummer: 598 (2023) Diesen Artikel zitieren

245 Zugriffe

Details zu den Metriken

Urbanisierung ist weltweit ein Trend, der seit mehr als einem Jahrhundert anhält. In diese Studie wurden 490 männliche und weibliche erwachsene chinesische Han-Teilnehmer mit unterschiedlicher städtischer und ländlicher Kindheit einbezogen. Es wurde festgestellt, dass die frühe städtische Umgebung sich positiv auf das Gesamtvolumen der grauen Substanz (GMV), das GMV des dorsolateralen präfrontalen Kortex (DLPFC), das GMV des Schläfenpols (TP) und die Kognitionsfunktion auswirkt und negativ mit dem GMV des medialen präfrontalen Kortex (MPFC) korreliert. Die Regressionsanalyse zeigte, dass die mütterliche Bildung ein Schutzfaktor für die Gesamt- und DLPFC-GMV war, während Geschwister besser für die MPFC-GMV waren. Insgesamt wirken DLPFC- und TP-GMVs als Vermittlungseffekte zwischen kindlicher Urbanität und verschiedenen kognitiven Bereichen. Diese Ergebnisse könnten auf einige Vor- und Nachteile der Gehirnstruktur hinweisen, die mit der Urbanität der Kindheit und damit verbundenen Umweltfaktoren verbunden sind.

Urbanisierung ist ein Trend, der seit mehr als einem Jahrhundert anhält. Wir haben eingehend untersucht, welcher spezifische Umweltfaktor die Gehirnstruktur und die kognitive Funktion beeinflusst.

Die frühe ländliche Umgebung wirkte sich positiv auf das Volumen der grauen Substanz (GMV) des medialen präfrontalen Kortex aus, Geschwister zu haben war ein Schutzfaktor für das MPFC-GMV.

Frühzeitige Urbanität wirkte sich positiv auf die kognitive Funktion und den GMV des gesamten und dorsolateralen präfrontalen Kortex aus, wobei die mütterliche Bildung ein schützender Faktor war.

Insgesamt wirken DLPFC- und TP-GMVs als Vermittlungseffekte zwischen kindlicher Urbanität und verschiedenen kognitiven Bereichen.

Peer-Review-Berichte

Die Urbanisierung schreitet weltweit seit über einem Jahrhundert voran. Im Gegensatz zu ländlichen Gebieten ziehen Städte Menschen an, indem sie Möglichkeiten in Bezug auf Einkommen, Bildung, Gesundheit und soziale Dienste bieten [1]. Obwohl städtische Gebiete im Durchschnitt eine höhere Lebensqualität bieten können, kann das Leben in Städten auch einige negative Auswirkungen auf das körperliche Wohlbefinden und die geistige Gesundheit haben (Weltgesundheitsorganisation und UN [2). Frühere Studien in entwickelten Ländern haben gezeigt, dass städtische Erziehung ist ein umweltbedingter Risikofaktor für einige psychiatrische Erkrankungen. Beispielsweise scheinen die Inzidenz- und Prävalenzraten von Schizophrenie mit zunehmender Urbanität zuzunehmen [3, 4]. Studien in entwickelten Ländern haben gezeigt, dass das Volumen der grauen Substanz (GMV) der rechten dorsolateralen Der präfrontale Kortex korreliert negativ mit der städtischen Erziehung. [5] Darüber hinaus stellten Forscher in einer Studie zu sozialen Stressaufgaben fest, dass das derzeitige Leben in einer Stadt mit einer erhöhten Amygdala-Aktivität verbunden war, wohingegen eine städtische Erziehung den perigenualen anterioren cingulären Kortex (pACC) beeinflusste. [6] Diese Arbeiten deuten darauf hin, dass die Wohnumgebung in der Kindheit die Entwicklung des Gehirns unterschiedlich beeinflussen könnte und dass Urbanität im frühen Leben ein Risikofaktor für eine Beeinträchtigung der Gehirnentwicklung und der psychischen Gesundheit ist.

Im Gegensatz zum pastoralen ländlichen Lebensstil, der in Industrieländern beobachtet wird, sind in vielen Entwicklungsländern jedoch Ungleichheiten zwischen ländlichen und städtischen Umgebungen sowie innerhalb städtischer Gebiete anhaltende Merkmale [7, 8]. Darüber hinaus sind in ländlichen Gebieten Ungleichheiten in Bereichen wie Bildungsressourcen, Gesundheitsversorgung, Wohnraum und Altersvorsorge zu beobachten [9]. Die Unterschiede in der Schizophrenie-Prävalenz in China könnten solche Probleme widerspiegeln; Dieses Muster hat sich von einer höheren Prävalenz in städtischen Gebieten in den 1980er und 1990er Jahren [10, 11] zu weniger offensichtlichen Unterschieden zwischen Stadt und Land in den letzten Jahren verschoben [12, 13, 14, 15]. Tatsächlich war die Prävalenz psychischer Störungen in ländlichen Gemeinden in China in der jüngsten nationalen Umfrage höher als in städtischen Gemeinden [16]. Eine aktuelle Studie ergab, dass Urbanität mit Perspektivenübernahme und Depressionssymptomen verbunden ist, und dies wurde durch neuronale Variablen vermittelt [17]. Während frühkindliche Urbanität Vorteile haben kann, ist es wichtig, die Auswirkungen frühkindlicher Urbanität auf die Gehirnentwicklung und die psychische Gesundheit in Entwicklungsländern wie China zu untersuchen.

China hat seit den 1980er Jahren eine großflächige Urbanisierung sowie eine einzigartige wirtschaftliche Entwicklung erlebt [18]. Der Urbanisierungsgrad ist von 15–20 % der Bevölkerung auf 51 % im Jahr 2011 gestiegen [19]. Dies bietet eine einzigartige Gelegenheit, die Auswirkungen der Urbanisierung in der Kindheit zu untersuchen. Wir haben Probanden ausgewählt, deren aktuelle Urbanitätsbedingungen ähnlich waren, um so den Effekt der Urbanität auf die Erziehung zu maximieren. In unserem vorherigen Bericht haben wir Daten der voxelbasierten Morphometrie (VBM) nach Anpassung an das Gesamt-GMV analysiert, ähnlich wie in früheren Untersuchungen [5]. In früheren Arbeiten wurde gezeigt, dass die Gesamt-GMV- und MCCB-Werte bei Probanden mit größerer Urbanität im frühen Leben höher waren [20]. Die Einbeziehung des Gesamt-GMV als Kovariate kann sich jedoch auf die Vorteile der Urbanität im frühen Lebensalter auswirken. Daher haben wir einen weniger strengen Standard verwendet, um zu bestimmen, ob es einige positive Einflüsse auf den GMV der frühen Urbanität gibt. Darüber hinaus wurde in früheren Studien berichtet, dass Probanden, die in einer ländlichen Umgebung aufwuchsen, einen größeren GMV des medialen präfrontalen Kortex (MPFC) aufwiesen [20], die damit verbundenen Umweltfaktoren wie die Bildung der Eltern und die Anwesenheit von Geschwistern jedoch nicht untersuchten. Daher haben wir in dieser Studie die Strukturdaten des Gehirns detaillierter analysiert und mögliche damit verbundene Umweltfaktoren untersucht.

Einige Gehirnregionen könnten wichtige Auswirkungen auf die Kognition im Zusammenhang mit der individuellen Entwicklung und der sozialen Funktion haben. Der dorsolaterale präfrontale Kortex (DLPFC) ist eine wichtige kortikale Region und spielt eine wichtige Rolle bei exekutiven Funktionen wie Arbeitsgedächtnis, kognitiver Flexibilität, Planung, Hemmung und abstraktem Denken [21]. Der Schläfenpol ist eine weitere interessante Region. Er spielt eine wichtige Rolle im episodischen Gedächtnis, im semantischen Gedächtnis [22] und im System zur Verarbeitung visueller Wahrnehmung [23, 24]. In unserer vorherigen Studie vermittelte die lokale spontane Gehirnaktivität (regionale Homogenität, ReHo) den Einfluss der Urbanität auf die Verarbeitungsgeschwindigkeit [25]. Wir wissen jedoch nicht, ob GMV die Beziehung zwischen Urbanität und Kognition vermittelt. Daher untersuchten wir in dieser Studie mithilfe von Mediationsanalysen die Auswirkungen von GMV-Veränderungen, die durch die Urbanizität der Kindheit auf die Kognition beeinflusst werden.

Insgesamt wurden 522 gesunde Probanden aus der örtlichen Gemeinde rekrutiert; Davon wurden 32 aufgrund unvollständiger Angaben zum Wohnort, schlechter Bildqualität oder Ausreißern bei den kognitiven Testergebnissen ausgeschlossen. Somit wurden letztlich 490 Probanden in die aktuelle Analyse einbezogen. Alle Teilnehmer wurden von erfahrenen Psychiatern anhand des Structured Clinical Interview for DSM-IV-TR Axis I Disorders, Research Version, Non-Patient Edition (SCID-I/NP) beurteilt, um Personen mit psychischen Störungen auszuschließen. Darüber hinaus mussten die für unsere Studie in Frage kommenden Probanden die folgenden Kriterien erfüllen: (1) waren 18 bis 45 Jahre alt, Rechtshänder und chinesischer Han-Abstammung; (2) keine neurologischen Erkrankungen oder Substanzabhängigkeit in der Vorgeschichte hatten; (3) hatte in der Vergangenheit keinen Bewusstseinsverlust von mehr als 5 Minuten; und (4) wies auf den MR-Bildern keine sichtbaren Anomalien auf, was von zwei erfahrenen Radiologen bestätigt wurde. Wir haben für alle Probanden strukturelle Bildgebungs-, kognitive Beurteilungs- und Fragebogendaten gesammelt. Wir haben Probanden rekrutiert, die derzeit seit mindestens einem Jahr in Peking leben. Alle in unsere Studie einbezogenen Probanden hatten das neunjährige Pflichtschulprogramm in China abgeschlossen. Diese Studie wurde von der örtlichen Ethikkommission genehmigt. Nach der Beschreibung der Studie wurde von jedem Probanden eine schriftliche Einwilligung eingeholt. Die detaillierten demografischen Informationen sind in Tabelle 1 aufgeführt.

Um die Urbanität zu bestimmen, machten die Probanden Angaben zu ihren Wohnorten von der Geburt bis heute (ausführlichere Informationen finden Sie in ergänzenden Materialien). Unter Verwendung der lokalen Bevölkerungsgröße [26] als Standard und der chinesischen Verwaltungsgliederung als Ergänzung definierten wir ländliche Gebiete als landwirtschaftliche Regionen mit einer Bevölkerung von typischerweise < 10.000; Als städtische Gebiete wurden Städte mit einer Bevölkerung von typischerweise mehr als 100.000 (oft weit über mehreren Millionen) definiert. Im Haupttext haben wir die Probanden entsprechend ihrer Urbanität von niedrig nach hoch in vier Gruppen eingeteilt: Personen, die in ländlichen Gebieten geboren wurden und seit ihrer Geburt > 18 Jahre dort lebten (Gruppe A, N = 128), Personen, die in ländlichen Gebieten lebten Gebiete zwischen der Geburt und dem Alter von 18 Jahren (Gruppe B, N = 113), diejenigen, die seit ihrem 12. Lebensjahr in Städten lebten (Gruppe C, N = 126) und diejenigen, die in Städten geboren wurden und dort weiterhin lebten Städte (Gruppe D, N = 123). Wir haben auch versucht, die Urbanität in der Kindheit mit einem Urbanizitätswert (ähnlich dem in früheren Studien verwendeten) zu bewerten und die Probanden in zwei Gruppen aufzuteilen, um zu sehen, ob die Ergebnisse robust waren. Der Urbanitätswert wurde entsprechend der Bevölkerungsgröße wie folgt definiert: Bevölkerung < 10.000 = 1, weniger als 1.000.000 = 2 und mehr als 1.000.000 = 3; Die Kategoriewerte wurden dann mit der Anzahl der Jahre multipliziert, die sie bis zum Alter von 15 Jahren an diesem Ort verbracht hatten.

Alle Probanden wurden mit einem 3,0 T GE Discovery MR750-Scanner gescannt. Vor dem Scannen wurden alle Probanden angewiesen, sich so wenig wie möglich zu bewegen. Zur Minimierung der Kopfbewegung wurden Schaumstoffpolster verwendet. T1-gewichtete hochauflösende Strukturbilder wurden in sagittaler Ausrichtung unter Verwendung einer axialen 3D-Fast-Spoiled-Gradient-Recall-Sequenz (FSPGR) mit den folgenden Parametern erfasst: Wiederholungszeit (TR) = 6,66 ms, Echozeit (TE) = 2,93 ms, Sichtfeld (FOV) = 256 × 256 mm2, Schichtdicke/Lücke = 1,0/0 mm, Erfassungsvoxelgröße = 1 × 1 × 1 mm3, Flipwinkel = 12° und 192 zusammenhängende sagittale Schichten.

Um potenzielle Faktoren zu identifizieren, die das Volumen der grauen Substanz beeinflussen können, untersuchten wir Alter, Geschlecht, Bildungsjahre, Größe, Gewicht und die Anwesenheit von Geschwistern. Wir sammelten auch Informationen über die Eltern der Probanden, einschließlich der Ausbildungsjahre, des gebärfähigen Alters und des Familienstands. Bezüglich der kognitiven Leistung verwendeten wir die MATRICS (Measurement and Treatment Research to Improve Cognition in Schizophrenia) Consensus Cognitive Battery (MCCB) und berechneten den T-Score mit der offiziellen Software [27,28,29].

Strukturbilder wurden mit DPABI (30) verarbeitet, einer MATLAB-Toolbox, die SPM (http://www.fil.ion.ucl.ac.uk/spm) und die neue Segmentfunktion von DARTEL (31) verwendet. Man geht davon aus, dass DARTEL bessere Segmentierungsergebnisse liefert als klassische Methoden [32]. Kurz gesagt umfasste die Bildverarbeitung die folgenden Schritte: (1) Umwandlung von Strukturbildern in das NIFTI-Format; (2) Neuausrichtung der Strukturbilder, sodass die Millimeterkoordinaten der vorderen Kommissur (AC) mit dem Ursprung [000] übereinstimmten; (3) Segmentierung von T1-gewichteten MR-Bildern in graue Substanz, weiße Substanz, Liquor und drei weitere nichtzerebrale Gewebeklassen sowie Normalisierung auf den Raum des Montreal Neurological Institute (MNI) mit einem diffeomorphen Bildregistrierungsalgorithmus (DARTEL); (4) Normalisierung der Gesamthirnbilder einzelner Teilnehmer auf die SPM-Standardmaske und Modulation von GMV; und (5) Glättung der segmentierten, normalisierten und modulierten GM-Bilder mit einem isotropen Gaußschen Kernel mit einer vollen Breite von 8 mm und einem Halbwertsmaximum.

Die Auswirkung der frühen Urbanität auf das GMV wurde in einem allgemeinen linearen Modell (Gruppe A: -3, Gruppe B: -1, Gruppe C: 1, Gruppe D 3) mit Alter, Alter2 [33] Geschlecht und Bildungsjahren getestet , die gesamten GMV- und MCCB-Werte, die als Belästigungskovariaten enthalten sind. Da die gesamten GMV- und MCCB-Werte bei Probanden mit größerer Urbanität im frühen Leben höher waren, übersieht diese Analyse möglicherweise einen positiven Einfluss der Urbanizität im frühen Leben auf GMV. Um die Vorteile der Urbanität im frühen Lebensalter zu ermitteln, haben wir versucht, übersehene Ergebnisse anhand der folgenden Schwellenwerte aufzudecken (p < 0,001 unkorrigiert, Abb. 1). Ähnliche Ergebnisse (siehe ergänzende Abbildungen S 1 und S 2) wurden erhalten, wenn unterschiedliche Methoden zur Definition der Urbanität von Kindern verwendet wurden.

Zusammenhang zwischen Urbanität im frühen Leben und GMV des Gehirns. AT-Karte der Korrelation zwischen frühkindlicher Urbanität und GMV (rot: städtisch > ländlich, blau: ländlich > städtisch, dargestellt bei p < 0,001 unkorrigiert). B Streudiagramm städtischer > ländlicher Ergebnisse bezüglich des GMV des Brodmann-Gebiets 10 im DLPFC (Spitzenatlas = [30,47,25], T = 4,22, Clustergröße = 345, p < 0,001 unkorrigiert). C Streudiagramm städtischer > ländlicher Ergebnisse bezüglich des GMV des Brodmann-Gebiets 36 im Temporalpol (Spitzenatlas = [39, 6, -38], T = 4,09, Clustergröße = 217, p < 0,001 unkorrigiert)

Um zu verstehen, welche Umweltfaktoren, einschließlich Urbanität, die GMV-Änderung verursacht haben, haben wir eine mehrfache lineare Regression mit dem Gesamt-GMV und den GMVs der Regionen von Interesse (ROIs) (städtisch > ländlicher Höhepunkt, ländlich > städtischer Höhepunkt) als abhängige Variablen mit einer Rückwärtsmethode durchgeführt . Für das gesamte GMV-Modell waren die Prädiktorvariablen die oben beschriebenen Fragebogendaten und die Urbanität (A: -3, B: -1, C: 1, D: 3). Da sich der Gesamt-GMV auf die ROI-GMVs auswirken und mit Größe und Gewicht in Zusammenhang stehen könnte, haben wir Größe und Gewicht durch den Gesamt-GMV für die ROI-GMV-Modelle ersetzt, während alle anderen Prädiktorvariablen gleich waren. Darüber hinaus konnten wir durch die Verwendung des Gesamt-GMV als Prädiktor für ROI-GMVs testen, ob andere Umweltfaktoren die ROI-GMVs beeinflussten, nachdem wir den Einfluss des Gesamt-GMV entfernt hatten.

Nachdem wir die Unterschiede in der Kognition je nach städtischer und ländlicher Kindheit ermittelt hatten, interessierten wir uns für den Einfluss dieser interessierenden Gehirnregionen auf die kognitive Leistung. Um zu untersuchen, ob GMV-Änderungen die Beziehung zwischen Urbanität und MCCB-Scores beeinflussen, haben wir daher R-Software (https://www.r-project.org/) verwendet, um die vermittelnde Wirkung von GMV-Änderungen zu analysieren, und seitdem Korrekturen für Mehrfachvergleiche vorgenommen Wir haben fünf GMV-Ergebnisse analysiert. Der erste Schritt bestand darin, das Regressionsmodell zu erstellen, in dem der MCCB-Score (Y) der abhängige Faktor und die Urbanität (X) der unabhängige Faktor (Y = cX + e1) war. Der zweite Schritt bestand darin, das Regressionsmodell zu erstellen, in dem der ROI GMV (M) der abhängige Faktor und die Urbanität (X) der unabhängige Faktor (M = aX + e2) war. Der dritte Schritt bestand darin, das Regressionsmodell zu erstellen, bei dem Y der abhängige Faktor und X und M die unabhängigen Faktoren waren (Y = c'X + bM + e3). Anschließend führten wir einen Sobel-Test durch und berechneten den indirekten Effekt jedes Modells (Tabelle 3). Die detaillierte Vorgehensweise finden Sie in diesem Artikel [34].

Die vier Probandengruppen waren hinsichtlich des Geschlechts gleich; Gruppe A (überwiegend ländlich) hatte ein leicht erhöhtes Alter (21 ~ 25,71 Monate) und Bildungsniveau (0,68 ~ 0,78 Jahre). Darüber hinaus stieg der Anteil der Einzelkinder deutlich in die gleiche Richtung wie die Urbanität im frühen Leben. Darüber hinaus war eine größere Urbanität im frühen Leben mit einer besseren Bildung der Eltern verbunden. Auch das Alter der Eltern unterschied sich deutlich zwischen den vier Gruppen, wobei die am stärksten urbanisierte Gruppe das höchste Durchschnittsalter der Eltern aufwies.

Was die Kognition betrifft, so verfügten alle Gruppen im Durchschnitt über mehr als 16 Jahre Ausbildung, was bedeutet, dass fast alle Fächer einen Hochschulabschluss und einen gewissen Grad an Graduiertenstudium abgeschlossen hatten. Daher wurde erwartet, dass ihre MCCB-T-Werte über 50 liegen würden. Dennoch hatten Probanden mit ländlicher Kindheit einen deutlich niedrigeren Gesamtwert. Detaillierte Informationen sind in Tabelle 1 enthalten.

In früheren Arbeiten wurde eine negative Korrelation zwischen der Urbanität im frühen Leben und dem MPFC GMV in Bezug auf das Brodmann-Gebiet (BA) 11 (x = -3, y = 56, z = -21; T = 5,64; p < 0,05 FWE) gefunden korrigiert) und BA 8 (x = 6, y = 33, z = 40; T = 5,48; p < 0,05 FWE korrigiert) [20]. In diesem Artikel korrelieren die GMVs des Gehirns im Erwachsenenalter positiv mit der Urbanität im frühen Leben und befinden sich hauptsächlich am GMV des rechten dorsolateralen präfrontalen Kortex (DLPFC) in BA10 (x = 30, y = 47, z = 25; T = 4,22; Clustergröße = 345). ; p < 0,001, unkorrigiert) und der GMV des rechten Schläfenpols in BA36 (x = 39, y = 6, z = -38; T = 4,09; Clustergröße = 217; p < 0,001, unkorrigiert, Abb. 1). Andere korrelierte Cluster sind relativ klein und die T-Werte sind relativ niedrig (siehe Ergänzungstabelle S1, p <0,001, unkorrigiert).

In das multiple lineare Regressionsmodell haben wir das Ergebnis mit dem höchsten R2-Wert einbezogen. Für Modelle mit demselben R2-Wert haben wir das Modell mit den wenigsten unabhängigen Faktoren angezeigt. Im Gesamt-GMV-Modell (Tabelle 2) wurde das Gesamt-GMV signifikant durch Geschlecht (größer bei Männern), Alter (größer bei jüngeren Personen), Gewicht (größer bei höherem Gewicht) und Bildungsjahre der Mutter (größer bei höherem mütterlichen Gewicht) beeinflusst Ausbildung). Zusätzlich zu den oben genannten Umweltfaktoren und der Urbanität hatte die Anwesenheit von Geschwistern einen signifikant positiven Einfluss auf den GMV von BA11, und die Bildungsjahre der Mutter zeigten einen signifikant positiven Einfluss auf den GMV des DLPFC (Tabelle 2, Abb. 2).

Schlüsselfaktoren ländlicher und städtischer Umgebungen, die die Gehirnstruktur im Erwachsenenalter beeinflussen können. Die Regressionsanalyse zeigte, dass die Anwesenheit von Geschwistern ein schützender Umweltfaktor für MPFC-GMV war und dass in ländlichen Gebieten mehr Geschwister vorhanden sind. In ähnlicher Weise war eine höhere mütterliche Bildung ein schützender Umweltfaktor für das Gesamt-GMV und das DLPFC-GMV, und städtische Probanden verfügen über eine höhere mütterliche Bildung

Da es mit zunehmender Urbanisierung im frühen Leben zu einem Anstieg der kognitiven Werte und des Gesamt-GMV kam, untersuchten wir weiter die vermittelnde Wirkung veränderter ROI-GMVs in der Beziehung zwischen Urbanizität im frühen Leben und der kognitiven Funktion im Erwachsenenalter (Tabelle 3, Abb. 3). Wir fanden heraus, dass der Gesamt-GMV, der DLPFC-GMV und der Temporalpol-GMV die Beziehung zwischen Urbanität, Argumentation und Problemlösung vermittelten. Darüber hinaus vermittelten das Gesamt-GMV und das DLPFC-GMV die Beziehung zwischen Urbanität und Arbeitsgedächtnis. Schließlich vermittelte der DLPFC GMV die Beziehung zwischen Urbanität und dem MCCB-Gesamtscore. Diese Mediationseffekte überstanden die Bonferroni-Korrektur für mehrere Vergleiche. Für die ländlichen > städtischen Gehirnregionen gab es bei dem oben genannten Schwellenwert keinen vermittelnden Effekt auf die Beziehung zwischen Urbanität und MCCB-Werten.

Ein schematischer Überblick über die Studienergebnisse. In dieser Studie haben wir herausgefunden, dass eine frühe städtische Umgebung die Gehirnentwicklung im Hinblick auf den gesamten, dorsolateralen präfrontalen Kortex (DLPFC) und das zeitliche Volumen der grauen Substanz (GMVs) begünstigt, während eine frühe ländliche Umgebung die GMV des Gehirns begünstigt medialer präfrontaler Kortex (MPFC) im Brodmann-Bereich (BA) 8 und BA11. Die Regressionsanalyse zeigte, dass Geschwister ein schützender Umweltfaktor für MPFC BA11 GMV sind; und eine höhere Bildung der Mutter ist ein schützender Umweltfaktor für das Gesamt- und DLPFC-GMV. Die Mediationsanalyse zeigte, dass die Gesamt-, DLPFC- und Temporalpol-GMVs, die die Vorteile der Urbanizität im frühen Leben widerspiegeln, die Beziehung zwischen Urbanizität im frühen Leben und der kognitiven Funktion im Erwachsenenalter vermitteln könnten

Wir haben die frühere Feststellung eines erhöhten Gesamt-GMV und der Kognition mit mehr Urbanität im frühen Leben erweitert und den MPFC-GMV mit mehr ländlicher Erfahrung im frühen Leben erhöht [20]. In dieser Studie fanden wir einen positiven Zusammenhang zwischen Urbanität im frühen Leben und DLPFC- und TP-GMVs, was einige Vorteile der Urbanität im frühen Leben aufzeigte. In Bezug auf bestimmte Umweltfaktoren stellten wir fest, dass Geschwister mit einem erhöhten MPFC-GMV verbunden waren und dass eine höhere mütterliche Bildung mit höheren Gesamt- und DLPFC-GMVs verbunden war. Darüber hinaus übten die Gesamt-, MPFC- und TP-GMVs einen positiven vermittelnden Effekt auf die Beziehung zwischen frühkindlicher Urbanität und kognitiver Leistung im Erwachsenenalter aus, insbesondere in Bezug auf Arbeitsgedächtnis, logisches Denken und Problemlösung (Abb. 3).

Der MPFC-GMV scheint mit den ländlichen Erfahrungen im frühen Leben zuzunehmen, insbesondere der GMV der mittleren Regionen (BA11 und BA8). Die Richtung des frühkindlichen Erziehungseffekts stimmt mit der einer ähnlichen Studie in Deutschland überein [5]. Es wird angenommen, dass der MPFC eine wichtige Rolle bei der sozialen Kognition spielt [35]. In unserer Stichprobe hatten ländliche Probanden mehr Geschwister, und die Anwesenheit von Geschwistern war signifikant mit dem GMV von BA11 verbunden. Geschwister sorgen möglicherweise in der Kindheit für mehr Kameradschaft und soziale Interaktionen mit Gleichaltrigen, was zu einer geringeren neuronalen Empfindlichkeit gegenüber sozialem Stress führen kann [36]. Unsere vorherige Studie ergab, dass eine geringere MPFC-Aktivität als Reaktion auf eine Bedrohung des sozialen Status mit einer höheren Angst und Depression bei Probanden mit städtischer Kindheit korrelierte, nicht jedoch bei Probanden mit ländlicher Kindheit [20]. Unsere aktuellen Ergebnisse legen nahe, dass die Anwesenheit von Geschwistern ein schützender Umweltfaktor für die MPFC-Funktion sein könnte. Ein verringerter GMV des MPFC wurde bei Probanden mit früheren Erfahrungen mit Widrigkeiten und Stress beobachtet, was als Risikofaktor für psychiatrische Störungen gilt [37]. In unserer Stichprobe gab es keinen vermittelnden Effekt des veränderten GMV im MPFC (ländlich > städtisch) auf die Beziehung zwischen kindlicher Urbanität und Kognitionswerten. Unsere Ergebnisse deuten darauf hin, dass ländliche Probanden ähnliche schulische und berufliche Erfolge nicht aufgrund einer verbesserten kognitiven Leistung, sondern vielmehr aufgrund einer erhöhten sozialen Widerstandsfähigkeit erzielen, da die Hauptfunktion des MPFC die soziale Wahrnehmung und Entscheidungsfindung ist [37].

Zusätzlich zu den früheren positiven Auswirkungen der Urbanizität im frühen Leben auf das Gesamt-GMV und die kognitive Leistung identifizierten wir größere DLPFC- und Temporalpol-GMVs mit größerer Urbanizität im frühen Leben. Wir fanden heraus, dass sich die Bildung von Müttern positiv auf die Gesamt- und DLPFC-GMVs auswirkte, was mit der Bedeutung der Bildung von Müttern für die Ergebnisse von Kindern übereinstimmt [38, 39]. Mütterliche Bildung wird mit dem sozioökonomischen Status in Verbindung gebracht [40] und könnte sich auf die Qualität der kognitiven Stimulation zu Hause auswirken, beispielsweise auf Mutter-Kind-Interaktionen, die Verfügbarkeit von Büchern, Computern, Ausflügen, die Kommunikation der Eltern usw. [41, 42]. Die Metaanalyse zeigte, dass die Aktivierung des lateralen DLPFC mit dem Arbeitsgedächtnis und dem episodischen Gedächtnis zusammenhängt, die zwei Schlüsselmerkmale der Kognition sind [43]. Der vermittelnde Effekt des DLPFC GMV auf die Beziehung der Urbanität im frühen Leben zum MCCB-Gesamtscore (einschließlich Arbeitsgedächtnis, Argumentation und Problemlösung) trägt zu unserem Wissen über die Funktion dieser Gehirnregion bei. Frühere Studien haben gezeigt, dass die Funktionen des DLPFC die Verzweigung und Erinnerung an Aufmerksamkeit umfassen [44]. Unser Befund bestätigt diese Hypothese, da die Probanden beim Lösen von Labyrinthen beim Erkunden das Ziel im Auge behalten mussten. In einer Studie an Patienten mit Alzheimer-Krankheit wurden Veränderungen im Volumen des Schläfenpols mit kognitiven Beeinträchtigungen in Verbindung gebracht [45, 46]. Wir fanden heraus, dass der zeitliche Pol GMV die Beziehung zwischen kindlicher Urbanität und Vernunft und Problemlösung vermittelt, was darauf hindeutet, dass er für die Kognition wichtig ist.

Die GMV- und Kognitionsunterschiede zwischen Personen mit städtischer und ländlicher Kindheit können Unterschiede in der Ernährung und im sozioökonomischen Status widerspiegeln. Obwohl es zwischen 1990 und 2009, dem Zeitraum, in dem die meisten unserer Probanden Kinder oder Jugendliche waren, eine Vervierfachung des Pro-Kopf-Verbrauchs gab [47], vergrößerte sich gleichzeitig die Einkommenslücke zwischen Stadt und Land, wobei die städtischen Einkommen im Verhältnis zu den ländlichen Einkommen deutlich anstiegen [ 48]. Es gibt Studien, die zeigen, dass Familieneinkommen und Armutsstatus starke Korrelate der kognitiven Entwicklung und des Verhaltens von Kindern sind, selbst wenn andere Unterschiede wie die mütterliche Bildung berücksichtigt werden [49]. Studien haben gezeigt, dass etwa 39 % der Säuglinge und Kleinkinder (im Alter von 0 bis 3 Jahren), die in ländlichen chinesischen Dörfern geboren und aufgewachsen sind, kognitive oder psychomotorische Verzögerungen aufweisen [50]. Es scheint, dass dieses Muster sogar bei denjenigen vorhanden ist, deren Bildungsleistungen denen ihrer städtischen Altersgenossen ähneln. Diese Schlussfolgerungen sind jedoch spekulativ, da wir den Stress im frühen Leben und das Familieneinkommen nicht direkt bewertet haben, obwohl wir das Familieneinkommen und den Stress im frühen Leben anhand der Bildung der Eltern und der sozialen Entwicklungsmuster abgeleitet haben. Mit den umfassenden Bemühungen zur Armutsbekämpfung in China könnte sich dieser Effekt in Zukunft abschwächen.

Diese Studie weist mehrere Einschränkungen auf. Erstens war die am stärksten ländlich geprägte Probandengruppe etwas älter und verfügte über mehr Bildungsjahre als die anderen Probandengruppen. Obwohl wir bei der Analyse das Alter und die Ausbildungsjahre kontrolliert haben, kann es zu Resteinflüssen auf die Ergebnisse gekommen sein. Zweitens haben wir gesunde Personen rekrutiert, und der Einfluss der frühen Lebensumgebung kann bei Patienten mit psychischen Störungen unterschiedlich sein. Drittens ist unsere Stichprobe nicht repräsentativ für Menschen mit niedrigem Bildungsniveau, die in ländlichen Gebieten leben, da wir relativ gut ausgebildete Personen rekrutiert haben, die derzeit in Peking leben. Viertens: Obwohl wir unser Bestes versuchten, alle objektiven Faktoren einzubeziehen, die wir ermitteln konnten, reichten die von uns einbezogenen Faktoren möglicherweise nicht aus, um alle Aspekte der komplexen Zusammenhänge der Kindheitsumgebung abzudecken. Weitere Untersuchungen müssen an vielfältigeren Stichproben aus klinischen und nichtklinischen Bevölkerungsgruppen sowie an zusätzlichen Variablen durchgeführt werden, die die Urbanität im frühen Leben direkt widerspiegeln könnten.

Zusammenfassend stellten wir eine positive Korrelation der frühen Urbanität mit den kognitiven Werten und den Gesamt-, DLPFC- und TP-GMVs sowie eine negative Korrelation mit dem MPFC-GMV fest. Die erhöhten Gesamt-, DLPFC- und TP-GMVs vermittelten teilweise den Zusammenhang zwischen frühkindlicher Urbanität und kognitiven Werten. Darüber hinaus war das Vorhandensein von Geschwistern unter den einzelnen Personen mit einem höheren MPFC-GMV verbunden, während die Bildung von Müttern mit besseren Ergebnissen bei den Gesamt- und DLPFC-GMVs verbunden war. Einerseits wiederholt diese Studie frühere Erkenntnisse über die Vorteile ländlicher Kindheit; Andererseits legt diese Studie nahe, dass städtische Kindheiten auch Vorteile für das Gehirn und die kognitiven Funktionen haben.

Die Daten und Materialien, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

WER. Aufdeckung und Überwindung gesundheitlicher Ungleichheiten in städtischen Umgebungen. Evol Ecol. 2010;10(Juni):1–145. https://doi.org/10.1373/clinchem.2011.163634.

Artikel CAS Google Scholar

Weltgesundheitsorganisation und UN Habitat. 2016. „Globaler Bericht zur städtischen Gesundheit.“ https://doi.org/10.1017/CBO9781107415324.004.

Peen J, Schoevers RA, Beekman AT, Dekker J. Der aktuelle Status der Stadt-Land-Unterschiede bei psychiatrischen Störungen. Acta Psychiatr Scand. 2010;121(2):84–93. https://doi.org/10.1111/j.1600-0447.2009.01438.x.

Artikel CAS PubMed Google Scholar

van Os J, Kenis G, Rutten BPF. Die Umwelt und Schizophrenie. Natur. 2010;468(7321):203–12. https://doi.org/10.1038/nature09563.

Artikel CAS PubMed Google Scholar

Haddad L, Schafer A, Streit F, Lederbogen F, Oliver Grimm S, Wust MD, et al. Die Gehirnstruktur korreliert mit städtischer Erziehung, einem umweltbedingten Risikofaktor für Schizophrenie. Schizophre Bulle. 2015;41(1):115–22. https://doi.org/10.1093/schbul/sbu072.

Artikel PubMed Google Scholar

Lederbogen F, Kirsch P, Haddad L, Streit F, Tost H, Schuch P, Wüst S, et al. City Living and Urban Upbringing Affect Neural Social Stress Processing in Humans. Nature. 2011;474(7352):498–501. https://doi.org/10.1038/nature10190.

Artikel CAS PubMed Google Scholar

Sicular T, Ximing Y, Gustafsson B, Shi Li. Das Einkommensgefälle und die Ungleichheit zwischen Stadt und Land in China. Rev Einkommen Vermögen. 2007;53(1):93–126. https://doi.org/10.1111/j.1475-4991.2007.00219.x.

Artikel Google Scholar

Vereinte Nationen. World Economic and Social Survey 2013. New York: Ministerium für wirtschaftliche und soziale Angelegenheiten; 2013. https://doi.org/10.1016/j.compind.2010.10.001.

Buchen Sie Google Scholar

Treiman DJ. Der „Unterschied zwischen Himmel und Erde“: Stadt-Land-Unterschiede im Wohlbefinden in China. Res Soc Stratif Mobil. 2012;30(1):33–47. https://doi.org/10.1016/j.rssm.2011.10.001.

Artikel Google Scholar

Kooperationsgruppe zur epidemiologischen Untersuchung psychischer Erkrankungen in 12 Regionen. Analyse der Forschungsdaten zur Schizophrenie-Prävalenz. Chinesische Zeitschrift für Psychiatrie. 1986;19:73–6.

Google Scholar

Chen C, Shen Y, Zhang W, Li S, Huang Y, Wang J, Wang D, et al. Epidemiologische Untersuchung zu Schizophrenie in 7 Gebieten Chinas. Chin J Psychiatrie. 1998;31(Mai):72–4.

Google Scholar

Lijun C, Keqing Su, Ze C, Qinpu J, Lianghui G, Yang Z, Jianfeng Li, et al. Prävalenz, demografische Merkmale und Funktionsstatus der Schizophrenie in der Provinz Hebei. Chin J Nerv Ment Dis. 2007;33:155–8 ((auf Chinesisch)).

Google Scholar

Phillips MR, Zhang J, Shi Q, Song Z, Ding Z, Pang S, Li . Die Lanzette. 2009;373(9680):2041–53. https://doi.org/10.1016/S0140-6736(09)60660-7.

Artikel Google Scholar

Chen Q, Wei Bo, Pan R, Chen Q, Huang G, Tnag H, Feng Q, et al. Prävalenz von Schizophrenie bei Bewohnern der Autonomen Region Guangxi der Zhuang. Chin J Öffentliche Gesundheit. 2010;20:365–7.

Google Scholar

Cheng HG, Shidhaye R, Charlson F, Deng F, Lyngdoh T, Chen S, Nanda S, Lacroix K, Baxter A, Whiteford H. Soziale Korrelate von psychischen, neurologischen und Substanzgebrauchsstörungen in China und Indien: Ein Rückblick. Lancet-Psychiatrie. 2016;3(9):882–99. https://doi.org/10.1016/S2215-0366(16)30166-3.

Artikel PubMed Google Scholar

Huang Y, Wang Yu, Wang H, Liu Z, Xin Yu, Yan J, Yaqin Yu, et al. Prävalenz psychischer Störungen in China: Eine epidemiologische Querschnittsstudie. Lancet-Psychiatrie. 2019;6(3):211–24. https://doi.org/10.1016/S2215-0366(18)30511-X.

Artikel PubMed Google Scholar

Xu, Jiayuan, Xiaoxuan Liu, Qiaojun Li, Ran Goldblatt, Wen Qin, Feng Liu, Congying Chu, et al. 2021. „Global Urbanicity Is Associated with Brain and Behavior in Young People.“ Nature Human Behavior 6 (Februar). https ://doi.org/10.1038/s41562-021-01204-7.

Chan KW. Das Haushaltsregistrierungssystem und Wanderarbeit in China: Anmerkungen zu einer Debatte. Popul Dev Rev. 2010;36(2):357–64. https://doi.org/10.1111/j.1728-4457.2010.00333.x.

Artikel PubMed Google Scholar

Gong P, Liang S, Carlton EJ, Jiang Q, Jianyong Wu, Wang L, Remais JV. Urbanisierung und Gesundheit in China. Die Lanzette. 2012;379(9818):843–52. https://doi.org/10.1016/S0140-6736(11)61878-3.

Artikel Google Scholar

Zhang X, Yan H, Hao Yu, Zhao X, Shah S, Dong Z, Yang G, et al. Urbanität im Kindesalter interagiert mit dem polygenen Depressionsrisiko und beeinflusst die stressbedingte mediale präfrontale Funktion. Transl. Psychiatrie. 2021;11(1):1–10. https://doi.org/10.1038/s41398-021-01650-x.

Artikel Google Scholar

Rosch KS, Mostofsky S. Entwicklung des Frontallappens. Handb Clin Neurol. 2019;163:351–67. https://doi.org/10.1016/b978-0-12-804281-6.00019-7.

Artikel PubMed Google Scholar

Murray EA, Richmond BJ. Rolle des perirhinalen Kortex bei der Wahrnehmung, dem Gedächtnis und den Assoziationen von Objekten. Aktuelle Meinung Neurobiol. 2001;11(2):188–93. https://doi.org/10.1016/S0959-4388(00)00195-1.

Artikel CAS PubMed Google Scholar

Meunier M, Bachevalier J, Mishkin M, Murray EA. Auswirkungen auf die visuelle Erkennung kombinierter und getrennter Ablationen des entorhinalen und perirhinalen Kortex bei Rhesusaffen. J Neurosci. 1993;13(12):5418–32. https://doi.org/10.1523/jneurosci.13-12-05418.1993.

Artikel CAS PubMed PubMed Central Google Scholar

Murray EA, Graham KS, Gaffan D. Perirhinaler Kortex und seine Nachbarn im medialen Temporallappen: Beiträge zu Gedächtnis und Wahrnehmung. QJ Exp Psychol B. 2005;58(3–4):378–96. https://doi.org/10.1080/02724990544000077.

Artikel PubMed Google Scholar

Cheng W, Luo Na, Zhang Y, Zhang Großhirnrinde. 2021;31(10):4709–18. https://doi.org/10.1093/cercor/bhab117.

Artikel PubMed PubMed Central Google Scholar

Ministerium für Wohnungsbau und Stadt-Land-Entwicklung, VR China. 2014. China Urban Construction Statistical Yearbook. Herausgegeben von Jiaxu Cong. China Statistics Press. http://cyfd.cnki.com.cn/Article/N2015110083000016.htm.

Kern RS, Nuechterlein KH, Green MF, Baade LE, Fenton WS, Gold JM, Keefe RSE, et al. Die MATRICS Consensus Cognitive Battery, Teil 2: Co-Normierung und Standardisierung. Bin J Psychiatrie. 2008;165(2):214–20. https://doi.org/10.1176/appi.ajp.2007.07010043.

Artikel PubMed Google Scholar

Nuechterlein KH, Green MF, Kern RS, Baade LE, Barch DM, Cohen JD, Essock S, et al. Die MATRICS Consensus Cognitive Battery, Teil 1: Testauswahl, Zuverlässigkeit und Gültigkeit. Bin J Psychiatrie. 2008;165(2):203–13. https://doi.org/10.1176/appi.ajp.2007.07010042.

Artikel PubMed Google Scholar

Shi C, Kang L, Yao S, Ma Y, Li T, Liang Y, Cheng Z, et al. Die MATRICS Consensus Cognitive Battery (MCCB): Co-Normierung und Standardisierung in China. Schizophr Res. 2015;169(1–3):109–15. https://doi.org/10.1016/j.schres.2015.09.003.

Artikel PubMed PubMed Central Google Scholar

Yan CG, Di Wang X, Zuo XN, Zang YF. DPABI: Datenverarbeitung und -analyse für die Bildgebung des Gehirns (im Ruhezustand). Neuroinformatik. 2016;14(3):339–51. https://doi.org/10.1007/s12021-016-9299-4.

Artikel PubMed Google Scholar

Ashburner J. Ein schneller diffeomorpher Bildregistrierungsalgorithmus. Neurobild. 2007;38(1):95–113. https://doi.org/10.1016/j.neuroimage.2007.07.007.

Artikel PubMed Google Scholar

Kurth F, Gaser C, Luders E. Ein 12-Schritte-Benutzerhandbuch zur Analyse voxelweiser Asymmetrien der grauen Materie in der statistischen parametrischen Kartierung (SPM). Nat-Protokoll. 2015;10(2):293–304. https://doi.org/10.1038/nprot.2015.014.

Artikel CAS PubMed Google Scholar

Peelle JE, Cusack R, Henson RNA. Anpassung an globale Effekte in der Voxel-basierten Morphometrie: Rückgang der grauen Substanz bei normalem Altern. Neurobild. 2012. https://doi.org/10.1016/j.neuroimage.2011.12.086.

Artikel PubMed Google Scholar

Zhonglin W, Kittai H, Lei C. Ein Vergleich von Moderator und Mediator und ihren Anwendungen. Acta Psychol Sin. 2005;37(02):268–74.

Google Scholar

Amodio DM, Frith CD. Meeting of Minds: Der mediale Frontalkortex und die soziale Kognition. Nat Rev Neurosci. 2006;7(4):268–77. https://doi.org/10.1038/nrn1884.

Artikel CAS PubMed Google Scholar

Masten CL, Telzer EH, Fuligni AJ, Lieberman MD, Eisenberger NI. Zeit, die man im Jugendalter mit Freunden verbringt, führt zu einer geringeren neuronalen Empfindlichkeit gegenüber späterer Ablehnung durch Gleichaltrige. Soc Cogn Affect Neurosci. 2012;7(1):106–14. https://doi.org/10.1093/scan/nsq098.

Artikel PubMed Google Scholar

Euston DR, Gruber AJ, McNaughton BL. Die Rolle des medialen präfrontalen Kortex im Gedächtnis und bei der Entscheidungsfindung. Neuron. 2012;76(6):1057–70. https://doi.org/10.1016/j.neuron.2012.12.002.

Artikel CAS PubMed PubMed Central Google Scholar

Reardon, Sean F. 2011. „Die wachsende Kluft zwischen Arm und Reich im akademischen Bereich: Neue Erkenntnisse und mögliche Erklärungen.“ Wohin Gelegenheit? Steigende Ungleichheit und die unsicheren Lebenschancen von Kindern mit niedrigem Einkommen, Nr. Juli: 91–116. https://doi.org/10.3102/00028312042002305.

Sirin SR. Sozioökonomischer Status und akademische Leistung: Eine metaanalytische Überprüfung der Forschung. Rev Educ Res. 2005;75(3):417–53. https://doi.org/10.3102/00346543075003417.

Artikel Google Scholar

Garbarino J. Die Bedeutung von Armut in der Welt der Kinder. Bin Behav Sci. 1992. https://doi.org/10.1177/0002764292035003003.

Artikel Google Scholar

Hackman DA, Farah MJ, Meaney MJ. Sozioökonomischer Status und das Gehirn: Mechanistische Erkenntnisse aus der Human- und Tierforschung. Neurowissenschaften. 2010;11(September):651–9. https://doi.org/10.1038/nrn2897.

Artikel CAS PubMed Google Scholar

Levenstein P. Kognitives Wachstum bei Vorschulkindern durch verbale Interaktion mit Müttern. Bin J Orthopsychiatrie. 1970;40(3):426–32. https://doi.org/10.1111/j.1939-0025.1970.tb00699.x.

Artikel CAS PubMed Google Scholar

Gilbert SJ, Spengler S, Simons JS, Douglas Steele J, Lawrie SM, Frith CD, Burgess PW. Funktionelle Spezialisierung im rostralen präfrontalen Kortex (Bereich 10): Eine Metaanalyse. J Cogn Neurosci. 2006;18(6):932–48. https://doi.org/10.1162/jocn.2006.18.6.932.

Artikel PubMed Google Scholar

Ramnani N, Owen AM. Vorderer präfrontaler Kortex: Einblicke in die Funktion aus Anatomie und Neuroimaging. Nat Rev Neurosci. 2004;5(3):184–94. https://doi.org/10.1038/nrn1343.

Artikel CAS PubMed Google Scholar

Xie L, Pluta JB, Das SR, Wisse LEM, Avants BB, Yushkevich PA, Mancuso L, et al. Multi-Template-Analyse des menschlichen perirhinalen Kortex in der Gehirn-MRT: Explizite Berücksichtigung der anatomischen Variabilität. Neurobild. 2017;144:183–202. https://doi.org/10.1016/j.neuroimage.2016.09.070.

Artikel PubMed Google Scholar

Cong S, Yao X, Huang Z, Risacher SL, Nho K, Saykin AJ, Shen Li. Volumetrisches GWAS der Strukturen des medialen Temporallappens identifiziert einen ERC1-Locus mithilfe hochauflösender T2-gewichteter MRT-Daten von ADNI. Neurobiol-Alterung. 2020;95:81–93. https://doi.org/10.1016/j.neurobiolaging.2020.07.005.

Artikel CAS PubMed PubMed Central Google Scholar

Easterlin RA, Morgan R, Switek M, Wang F. Chinas Lebenszufriedenheit, 1990–2010. Proc Natl Acad Sci. 2012;109(25):9775–80. https://doi.org/10.1073/pnas.1205672109.

Artikel PubMed PubMed Central Google Scholar

Chenggang Xu. Die grundlegenden Institutionen der Reformen und Entwicklung Chinas. Econ Lit. 2011;42(3):1076–151. https://doi.org/10.2469/dig.v42.n3.11.

Artikel Google Scholar

Duncan GJ, Brooks-gunn J, Klebanov PK, Development SC, Apr P, Greg J. Wirtschaftliche Deprivation und frühkindliche Entwicklung Wirtschaftliche Deprivation und frühkindliche Entwicklung. Kinderentwickler. 1994;65(2):296–318.

Artikel CAS PubMed Google Scholar

Li H, Loyalka P, Rozelle S, Binzhen Wu. Humankapital und Chinas zukünftiges Wachstum. J Econ-Perspektive. 2017;31(1):25–48. https://doi.org/10.1257/jep.31.1.25.

Artikel Google Scholar

Referenzen herunterladen

Wir danken allen Fördergebern sowie allen unseren wissenschaftlichen Mitarbeitern und Freiwilligen.

Die aktuelle Studie wurde von der National Natural Science Foundation of China (81361120395, Dai Zhang; 31771186 Dai Zhang; 82001416, Xiao Zhang; 81825009, Weihua Yue; 81901358, Hao Yu), Forschungseinheit der Akademie der Medizinischen Wissenschaften (2019-I2M-) unterstützt. 5–006, Weihua Yue), Chinesisches Institut für Hirnforschung in Peking (2020-NKX-XM-12, Weihua Yue), PKUHSC-KCL Joint Medical Research (BMU2020KCL001, Weihua Yue), Natural Science Foundation of Shandong Province (ZR 2019BH001). , Hao Yu; ZR2021YQ55, Hao Yu), Young TAISHAN Scholars of Shandong Province (TSQN201909146, Hao Yu) und National Institutes of Health (R01MH101053, Hao Yang Tan).

Institut für psychische Gesundheit, Nationales klinisches Forschungszentrum für psychische Störungen, Sechstes Krankenhaus der Universität Peking, 51 Huayuanbei Road, Bezirk Haidian, Peking, 100191, China

Xiao Zhang, Hao Yan, Yuyanan Zhang, Dai Zhang und Weihua Yue

NHC Key Laboratory of Mental Health (Universität Peking), 51 Huayuanbei Road, Haidian District, Peking, 100191, China

Xiao Zhang, Hao Yan, Yuyanan Zhang, Dai Zhang und Weihua Yue

Abteilung für Psychiatrie, Jining Medical University, Jining, Shandong, China

Hao Yu

Lieber Institute for Brain Development, Baltimore, MD, 21205, USA

Hao Yang Tan

Abteilung für Psychiatrie und Verhaltenswissenschaften, Johns Hopkins University School of Medicine, Baltimore, MD, 21205, USA

Hao Yang Tan

PKU-IDG/McGovern Institute for Brain Research der Universität Peking, &Chinese Institute for Brain Research, 51 Huayuanbei Road, Haidian District, Peking, 100191, China

Dai Zhang & Weihua Yue

Forschungseinheit für Diagnose und Behandlung affektiver kognitiver Störungen, Chinesische Akademie der Medizinischen Wissenschaften, 51 Huayuanbei Road, Haidian District, Peking, 100191, China

Weihua Yue

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

HYT, WY, H Yan und DZ konzipierten die Studie; X Zhang, Y Zhang, H Yan, HYT, WY und DZ führten die Datenerfassung durch oder überwachten sie; X Zhang, H Yu analysierten die Daten; X Zhang, H Yan, HYT und WY haben das Manuskript für kritische intellektuelle Inhalte geschrieben oder bearbeitet; Alle Autoren überprüften und genehmigten das endgültige Manuskript.

Korrespondenz mit Xiao Zhang oder Weihua Yue.

Alle experimentellen Protokolle dieser Studie wurden von der Ethikkommission des Peking University Institute of Mental Health und der Johns Hopkins University School of Medicine genehmigt. Nach der Beschreibung der Studie wurde von jedem Probanden eine schriftliche Einverständniserklärung eingeholt. Alle Methoden wurden in Übereinstimmung mit den relevanten Richtlinien und Vorschriften durchgeführt.

Unzutreffend.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Nähere Informationen zu den Teilnehmern. Abbildung S1. Urbanität im frühen Leben (2 Gruppen) und GMV-Unterschiede. Abbildung S2. Urbanität im frühen Leben (Urbanizitäts-Score) und GMV-Unterschiede. Tabelle S1. Regionale GMVs, bei denen städtische Gebiete größer sind als ländliche Gebiete.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/. Der Creative Commons Public Domain Dedication-Verzicht (http://creativecommons.org/publicdomain/zero/1.0/) gilt für die in diesem Artikel zur Verfügung gestellten Daten, sofern in einer Quellenangabe für die Daten nichts anderes angegeben ist.

Nachdrucke und Genehmigungen

Zhang, X., Yan, H., Yu, H. et al. Die Auswirkungen von Umweltfaktoren, die mit der Urbanität in der Kindheit verbunden sind, auf die Gehirnstruktur und die Kognition. BMC Psychiatrie 23, 598 (2023). https://doi.org/10.1186/s12888-023-05066-3

Zitat herunterladen

Eingegangen: 06. Februar 2023

Angenommen: 30. Juli 2023

Veröffentlicht: 17. August 2023

DOI: https://doi.org/10.1186/s12888-023-05066-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt