[논문 리뷰] How Predictable are Symptoms in Psychopathological Networks? A Reanalysis of 18 Published Datasets

Jonas M B Haslbeck, Eiko I. Fried|arXiv (Cornell University)|2016. 01. 01.

Mental Health Research Topics인용 수 4

한 줄 요약

이 논문은 18개의 공개된 데이터셋을 바탕으로 최신 네트워크 모델을 사용하여 정신병리학적 네트워크에서 증상이 이웃 증상들에 의해 얼마나 예측 가능한지를 절대적 척도로 측정하는 예측가능성(predictability)을 도입한다. 예측가능성은 데이터셋 간 및 내부에서 크게 다양하게 나타나며, 전체적으로 중간 수준의 높은 수준을 보이며, 특히 기분 장애 및 불안 장애에서 가장 높게 나타나며, 임상 네트워크에서의 간병 목표 평가를 위한 새로운 도구를 제공한다.

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.

연구 동기 및 목표

• 증상의 분산 중 이웃 증상들에 의해 설명되는 비율을 측정하는 절대적 척도로서 예측가능성을 새로운 척도로 도입함으로써 상대적 중심성 척도를 넘어서는 것.
• 기분 장애 및 불안 장애, 정신병, 약물 사용, 자폐 스펙트럼 장애 등을 포함한 다양한 정신병리적 상태에서 예측가능성의 변동성을 평가하는 것.
• 예측가능성이 네트워크 구조, 표본 크기, 임상 샘플 대비 일반 인구 샘플과의 관계에서 어떻게 나타나는지 평가하는 것.
• R 코드와 데이터를 활용하여 증상 네트워크에서 예측가능성을 추정하고 해석하는 재현 가능한 프레임워크를 제공하는 것.
• 네트워크 기반의 목표 설정을 통한 치료 개입 전략 수립을 위해 예측가능성이 가장 높은 증상들을 식별함으로써 임상적 개입 전략을 안내하는 것.

제안 방법

• 연속형 데이터에 대해 가우시안 그래픽 모델(GGMs)과 이진형 데이터에 대해 이징 모델을 사용하여 18개의 정신병리학 네트워크 연구에서 유래한 25개의 데이터셋을 재분석함.
• mgm R 패키지를 적용하여 네트워크 구조를 추정하고, 노드별 회귀 분석을 통해 예측가능성을 계산함. 이는 각 증상의 분산 중 이웃 증상들에 의해 설명되는 비율을 측정함.
• 이전 방법과 달리 다변량 상관관계를 기반으로 하지 않는 주변 회귀 접근법을 사용함으로써 정확한 예측가능성 추정이 가능해짐.
• 노드별 회귀 분석에서 얻은 결정계수 R²를 통해 예측가능성을 계산함: 각 노드에 대해 다른 모든 노드의 값으로 해당 증상의 값을 예측하는 모델을 설정하고, 부분 상관관계를 활용함.
• 산점도와 상관관계 분석을 통해 다양한 데이터셋에서 예측가능성과 중심성 척도(예: 가중도 중심성) 간의 통계적 관계를 분석함.
• 재현 가능성과 향후 연구를 위해 보조 자료에 5개의 데이터셋과 모든 25개의 가중 인접행렬을 공개함.

실험 결과

연구 질문

• RQ1 정신병리학적 네트워크에서 각 증상의 분산 중 이웃 증상들에 의해 얼마나 예측 가능한가?
• RQ2 예측가능성은 다양한 정신장애(예: 기분 장애 대비 정신병)와 샘플 유형(임상 샘플 대비 일반 인구 샘플) 간에 어떻게 달라지는가?
• RQ3 예측가능성은 가중도 중심성과 같은 전통적 중심성 척도와 어느 정도 관련이 있는가?
• RQ4 표본 크기와 네트워크 모델에서 증상의 예측가능성 간에 상관관계가 있는가?
• RQ5 예측가능성이 특정 증상에 대한 효과적인 임상 개입 목표를 선정하는 데 신뢰할 수 있는 안내자로 기능할 수 있는가?

주요 결과

• 대부분의 증상 네트워크에서 예측가능성이 중간 수준으로 높게 나타났으며, 중앙값 예측가능성 값은 평균적으로 약 40~60%의 증상 분산이 이웃 노드들에 의해 설명됨을 시사함.
• 일반 인구 샘플에서 임상 샘플보다 예측가능성이 유의미하게 높게 나타나, 비임상 집단에서는 네트워크의 결정론성이 더 강하다는 것을 시사함.
• 기분 장애 및 불안 장애 네트워크에서 예측가능성이 가장 높았고, 정신병 네트워크에서는 가장 낮았으며, 이는 기분 및 불안 장애에서 더 높은 자기결정성이 있음을 의미함.
• 데이터셋 간 및 내부에서 예측가능성에 상당한 변동성이 있었으며, 이는 증상 네트워크가 내부 제어 정도에서 상이함을 강조함.
• 가중도 중심성과의 상관계수가 중간 수준에 머물러 있어, 높은 중심성이 반드시 높은 예측가능성을 의미하지는 않음을 시사함.
• 이 연구는 예측가능성이 중심성과 함께 네트워크 정신병리학 연구에 유의미하고 해석 가능한, 또 다른 독립적 척도임을 입증함.