[论文解读] 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 4

一句话总结

本文引入了可预测性作为衡量心理病理网络中某一症状可由其邻近症状预测程度的绝对指标，基于18个已发表数据集的最先进网络模型进行分析。研究发现，可预测性在不同数据集之间及内部存在显著差异，整体中等偏高，且在情绪障碍和焦虑障碍中最高，为临床网络中干预目标的评估提供了新工具。

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.

研究动机与目标

• 提出可预测性作为衡量症状方差中有多少可由其网络邻居解释的新绝对指标，超越传统的相对中心性度量。
• 评估可预测性在不同心理病理状况（包括情绪障碍和焦虑障碍、精神病、物质使用及自闭症）中的变异情况。
• 评估可预测性与网络结构、样本大小以及临床样本与社区样本之间的关系。
• 提供一个可复现的框架，使用R代码和数据估算并解释症状网络中的可预测性。
• 通过识别最易通过基于网络的靶向策略改变的症状，为临床干预策略提供依据。

提出的方法

• 使用高斯图模型（GGMs）处理连续数据，以及伊辛模型处理二值数据，对来自18项已发表心理病理网络研究的25个数据集进行再分析。
• 应用mgm R包估计网络结构，并通过节点回归计算可预测性，测量每个症状由其邻居解释的方差比例。
• 采用mgm中的邻域回归方法，该方法与以往方法不同，不依赖多系列相关系数，从而实现更准确的可预测性估计。
• 将可预测性计算为节点回归中的R²：对每个节点，利用其他所有节点的值及其偏相关系数，预测该节点的值。
• 通过散点图和相关性分析，统计检验可预测性与中心性度量（如加权度中心性）在各数据集中的关系。
• 在补充材料中共享5个数据集及全部25个加权邻接矩阵，以确保可复现性并支持进一步研究。

实验结果

研究问题

• RQ1 在心理病理网络中，每个症状的方差中有多少可由其邻近症状预测？
• RQ2 可预测性在不同精神障碍（如情绪障碍与精神病）及样本类型（临床样本与社区样本）之间如何变化？
• RQ3 可预测性在多大程度上与传统中心性度量（如加权度中心性）相关？
• RQ4 样本大小是否与网络模型中症状的可预测性相关？
• RQ5 可预测性能否作为选择有效临床干预措施以靶向特定症状的可靠指南？

主要发现

• 在大多数症状网络中，可预测性中等偏高，中位可预测性值表明平均约40%至60%的症状方差可由邻近节点解释。
• 社区样本中的可预测性显著高于临床样本，表明非临床人群中网络的决定性更强。
• 情绪障碍和焦虑障碍网络的可预测性最高，而精神病网络的可预测性最低，表明前者的自我决定性更强。
• 可预测性在数据集内部和之间均存在显著差异，凸显了症状网络在内部控制程度上的异质性。
• 可预测性与加权度中心性仅呈中等程度相关，表明高中心性并不保证高可预测性。
• 本研究证明，可预测性是一种独特、可解释且具有临床相关性的度量，可作为网络心理病理学研究中中心性度量的补充。