[論文レビュー] How Predictable are Symptoms in Psychopathological Networks? A Reanalysis of 18 Published Datasets

Jonas M B Haslbeck, Eiko I. Fried|arXiv (Cornell University)|Jan 1, 2016

Mental Health Research Topics被引用数 4

ひとこと要約

本稿は、18件の公開済みデータセットを用いた最新のネットワークモデルを用いて、精神病理的ネットワーク内の症状がその隣接症状によってどの程度予測可能であるかを絶対的指標として予測可能性を導入する。予測可能性は、データセット間および内部で顕著に変動し、全体として中程度に高い水準にあり、特に気分障害および不安障害で最も高いことが判明。臨床的ネットワークにおける干渉ターゲットの評価に新たなツールを提供する。

ABSTRACT

Background Network analyses on psychopathological data focus on the network structure and its derivatives such as node centrality. One conclusion one can draw from centrality measures is that the node with the highest centrality is likely to be the node that is determined most by its neighboring nodes. However, centrality is a relative measure: knowing that a node is highly central gives no information about the extent to which it is determined by its neighbors. Here we provide an absolute measure of determination (or controllability) of a node - its predictability. We introduce predictability, estimate the predictability of all nodes in 18 prior empirical network papers on psychopathology, and statistically relate it to centrality. Methods We carried out a literature review and collected 25 datasets from 18 published papers in the field (several mood and anxiety disorders, substance abuse, psychosis, autism, and transdiagnostic data). We fit state-of-the-art net- work models to all datasets, and computed the predictability of all nodes. Results Predictability was unrelated to sample size, moderately high in most symptom networks, and differed considerable both within and between datasets. Predictability was higher in community than clinical samples, highest for mood and anxiety disorders, and lowest for psychosis. Conclusions Predictability is an important additional characterization of symptom networks because it gives an absolute measure of the controllability of each node. It allows conclusions about how self-determined a symptom network is, and may help to inform intervention strategies. Limitations of predictability along with future directions are discussed.

研究の動機と目的

• 症状の分散のうち、そのネットワーク近傍の症状によってどの程度説明されるかを測る、相対的中心性指標を超えた絶対的指標としての予測可能性を導入すること。
• 気分障害・不安障害、統合失調症、物質使用障害、自閉症など、さまざまな精神病理的状態における予測可能性の変動を評価すること。
• 予測可能性がネットワーク構造、サンプルサイズ、臨床的サンプル対コミュニティサンプルの違いとどの程度関連しているかを評価すること。
• Rコードとデータを用いた、症状ネットワークにおける予測可能性の推定と解釈の再現可能なフレームワークを提供すること。
• ネットワークベースのターゲティングを用いた特定症状の変容可能性を高める臨床的干渉戦略を支援するため、予測可能性を用いて効果的な干渉ターゲットを同定すること。

提案手法

• 連続データにはガウス・グラフィカル・モデル（GGMs）、二値データにはイジング・モデルを用いて、18件の精神病理的ネットワーク研究から得られた25件のデータセットを再分析した。
• mgm Rパッケージを用いてネットワーク構造を推定し、ノード単位の回帰を用いて予測可能性を計算。各症状の分散のうち、その近傍ノードによって説明される割合を測定した。
• 従来の方法とは異り、ポリコリック相関に依存しない「ネイバー回帰アプローチ」を採用。これにより、正確な予測可能性推定が可能となった。
• ノード単位回帰からの決定係数（R²）として予測可能性を計算。各ノードについて、他のすべてのノードの値を用いてその値を予測するモデルを構築し、偏相関を用いた。
• 散布図と相関分析を用いて、データセット全体を通じて予測可能性と中心性指標（例：重み付き次数中心性）との統計的関連を評価した。
• 再現可能性および今後の研究のため、5件のデータセットとすべての25個の重み付き隣接行列を補足資料に公開した。

実験結果

リサーチクエスチョン

• RQ1 精神病理的ネットワークにおいて、各症状の分散のうち、その近傍症状によってどの程度予測可能であるか。
• RQ2 気分障害と統合失調症などの異なる精神障害、および臨床的サンプルとコミュニティサンプルの間で、予測可能性はどのように変動するか。
• RQ3 予測可能性は、重み付き次数中心性などの従来の中心性指標とどの程度関連しているか。
• RQ4 サンプルサイズは、ネットワークモデルにおける症状の予測可能性と相関しているか。
• RQ5 予測可能性は、特定症状を標的とした臨床的干渉の有効性を高めるための信頼できる指針として機能できるか。

主な発見

• ほとんどの症状ネットワークにおいて予測可能性は中程度に高く、中央値の予測可能性値から、平均して症状分散の約40〜60％が近傍ノードによって説明されていることが示された。
• コミュニティサンプルでは臨床的サンプルよりも予測可能性が顕著に高く、非臨床集団ではネットワークの決定論的性がより高いことが示唆された。
• 気分障害および不安障害のネットワークでは予測可能性が最も高く、統合失調症のネットワークでは最も低かった。これは、前者の症状ネットワークがより自己決定的である可能性を示している。
• 予測可能性には、データセット内およびデータセット間で顕著な変動が認められ、症状ネットワークの内部的コントロールの度合いが異なることが浮き彫りになった。
• 予測可能性と重み付き次数中心性との間にはやや弱い相関しか認められず、中心性が高かろうとも必ずしも予測可能性が高いとは限らないことが示された。
• 本研究は、予測可能性が中心性と相補的である、解釈可能で臨床的に関連性の高い、独立した指標であることを示した。