張偉霞 席 敏 陰甜甜 王 成 司書賓

基于網(wǎng)絡分析的抑郁癥產(chǎn)生與演變預測*

張偉霞1席 敏2陰甜甜1王 成1司書賓3,4

(1西北工業(yè)大學體育部,2西北工業(yè)大學醫(yī)院,3西北工業(yè)大學機電學院,4工業(yè)工程與智能制造工業(yè)和信息化部重點實驗室, 西安 710072)

抑郁癥是現(xiàn)代社會亟需解決的公共健康問題, 預防是應對該問題最有效的方式之一。有效預防的關鍵在于準確識別潛在抑郁癥患者, 捕捉抑郁狀態(tài)發(fā)生變化的預警信號, 及時采取預防措施。抑郁是由多種癥狀相互作用而成的網(wǎng)絡系統(tǒng), 該網(wǎng)絡的結構特征和動力特征能為抑郁癥發(fā)生與演變的預測提供新的理論視角和可測量的指標。以如何預測抑郁癥發(fā)生與演化的關鍵問題為切入點, 從理論的角度論述癥狀網(wǎng)絡與抑郁的關系, 進一步考察抑郁癥狀網(wǎng)絡的拓撲結構特征、臨界現(xiàn)象相關指標在預測抑郁發(fā)作及突變中的表現(xiàn)力。為增加早期預警信號在抑郁狀態(tài)預測方面的準確性, 未來研究應當構建更系統(tǒng)、全面的網(wǎng)絡, 通過使用綜合的或基于機器學習的預警指標, 優(yōu)化抑郁狀態(tài)確定方法。

網(wǎng)絡分析, 抑郁癥狀演變, 預測, 臨界現(xiàn)象, 早期預警信號

1 引言

抑郁癥是一種常見的情感性精神障礙, 給社會醫(yī)療、經(jīng)濟, 個人健康與正常生活帶來了沉重負擔(Armbrecht et al., 2020; Keshavarz et al., 2022)。我國成人患抑郁癥的比例約為6.8%, 但能夠得到充分治療的抑郁患者僅有0.5% (Lu et al., 2021)。在這種形勢下, 與治療相比, 抑郁預防有著更為突出的臨床價值。而有效預防的關鍵在于準確識別出潛在的抑郁患者, 捕捉抑郁狀態(tài)發(fā)生變化的預警信號, 并及時應對(Fried et al., 2022)。因此, 抑郁產(chǎn)生與變化的預測指標是抑郁預防中的核心科學問題。在本研究中, 該問題的具體內(nèi)容包括探索哪些指標能夠預測抑郁癥的產(chǎn)生, 哪些指標預示抑郁狀態(tài)的變化。

近年來, 復雜系統(tǒng)的相關研究得到了長足的發(fā)展, 在生態(tài)系統(tǒng)大規(guī)模滅絕、天氣驟變, 以及基礎設施級聯(lián)故障等方面有較為廣泛的應用(Liu et al., 2022)。在此影響下, 研究者提出從復雜系統(tǒng)的視角研究抑郁癥(Borsboom, 2008; Cramer et al., 2016), 將抑郁癥視為由多種癥狀為節(jié)點構成的網(wǎng)絡系統(tǒng)。網(wǎng)絡是由許多節(jié)點(node, 節(jié)點代表物體或事件, 比如抑郁癥狀的表現(xiàn)、個體或腦區(qū)等等)和邊(edge, 連接網(wǎng)絡中節(jié)點之間的線)組成的系統(tǒng)。網(wǎng)絡分析屬于復雜系統(tǒng)科學的一部分, 強調研究對象的復雜性和動態(tài)性, 被認為是心理問題的新科學(new science of mental disorders) (Roefs et al., 2022)。

網(wǎng)絡結構和動力性是復雜系統(tǒng)的典型特征, 結構特征主要是網(wǎng)絡的拓撲屬性, 而動力特征指網(wǎng)絡在演化中表現(xiàn)出的規(guī)律, 前者傾向從橫向的角度解析復雜系統(tǒng)的靜態(tài)特征, 而后者更關注復雜系統(tǒng)的變化過程。對抑郁系統(tǒng)進行網(wǎng)絡結構特征以及動力分析能為抑郁產(chǎn)生、變化的預測提供可量化的指標。一方面, 基于網(wǎng)絡結構特征的分析能揭示多種癥狀的關聯(lián)關系及其相互影響而形成的系統(tǒng)(蔡玉清等, 2020), 輔助確定網(wǎng)絡關鍵節(jié)點(重要癥狀), 有利于從人群和干預靶點方面實現(xiàn)抑郁癥的精準預防。另一方面, 基于網(wǎng)絡動力特征的預測, 能在個體水平上預測抑郁狀態(tài)的突變, 為預防方案的個性化優(yōu)化提供及時反饋(Fried et al., 2022)。本文圍繞抑郁的產(chǎn)生與變化, 從理論和實證層面對基于網(wǎng)絡分析方法的抑郁預測進行研究, 重點探討網(wǎng)絡結構特征對抑郁產(chǎn)生的預測, 以及系統(tǒng)動力特征對抑郁變化的預測。

2 網(wǎng)絡結構與抑郁癥產(chǎn)生

2.1 網(wǎng)絡結構與抑郁癥產(chǎn)生的理論解釋

受還原論思想的影響, 人們對抑郁癥的早期探索延承了對生理疾病的理解, 傾向于尋找盡可能精準的致病因素, 并認為影響抑郁的多種因素是彼此獨立的(Borsboom, 2008; Fried & Nesse, 2015)。類似第21染色體異常是唐氏綜合征患者多種癥狀表現(xiàn)的病因, 抑郁癥被認為是諸多癥狀表現(xiàn)(比如心境低落、失眠、沒有活力等等)的潛在共同原因, 這就是傳統(tǒng)的共因模型(common cause model) (Hofmann et al., 2016)。但是, 與生理疾病不同, 人們并沒有找到抑郁癥產(chǎn)生的明確因素, 目前沒有證據(jù)表明哪個因素是抑郁癥產(chǎn)生的充分且必要條件。隨著抑郁癥多種癥狀非獨立性、不可互換性的發(fā)現(xiàn), 傳統(tǒng)研究方法的弊端逐漸凸顯(Fried & Nesse, 2015)。于是, 有研究者提出應當關注抑郁癥狀的相互作用, 而非抑郁癥生物學致因, 并于2008年首次提出從網(wǎng)絡的角度理解抑郁癥(Borsboom, 2008)。

從網(wǎng)絡的角度來看, 抑郁癥是由許多癥狀相互作用形成的復雜系統(tǒng)。抑郁的多種癥狀之間并不是相互獨立的, 一種癥狀會引發(fā)另一種癥狀的出現(xiàn), 比如情緒低落可能引起食欲減退。癥狀不是潛在疾病的被動表現(xiàn)形式, 而是承擔了積極主動參與的角色, 這些癥狀的相互作用導致了抑郁的產(chǎn)生(Borsboom, 2008; Cramer et al., 2016)。復雜網(wǎng)絡提供了一種新穎的精神病理的解釋方法(Cramer et al., 2016; Hofmann et al., 2016), 得到了越來越多研究者的認可(Bringmann et al., 2013; De Beurs et al., 2021; Fried et al., 2017; Hayes & Andrews, 2020; McLaughlin et al., 2020; Robinaugh et al., 2020; Wittenborn et al., 2016)。

與傳統(tǒng)觀點相比, 復雜網(wǎng)絡對抑郁癥產(chǎn)生或形成的解釋更為全面和靈活。這是因為, 抑郁的成因極其復雜, 涉及生理、心理和社會等多個層面(McLaughlin et al., 2020), 僅從單一角度很難深入理解抑郁癥形成, 而網(wǎng)絡則可以涵蓋眾多因素。在臨床上, 抑郁癥的產(chǎn)生往往涉及多個癥狀(比如, 睡眠障礙、肥胖和注意不集中等)相互作用形成復雜反饋環(huán)的過程(Hofmann et al., 2016)。比如, 長期的失眠→疲倦→注意力下降, 該循環(huán)的強化可能進一步誘發(fā)更多的癥狀關聯(lián), 長期的失眠→疲倦→注意力下降→心境低落→深陷自責, 諸多癥狀的共現(xiàn)就意味著抑郁發(fā)作。為清晰地展示抑郁癥狀之間的相互作用關系, 我們使用包含抑郁量表公開數(shù)據(jù)庫(CLHLS, http://chads.nsd.pku. edu.cn/sjzx/index.htm)的部分數(shù)據(jù), 將抑郁癥狀網(wǎng)絡的可視化展現(xiàn)在圖1中。從圖1可以看出抑郁的多個癥狀表現(xiàn)存在一定的關系, 比如孤獨?無法繼續(xù)生活?緊張害怕。由于圖1是基于橫斷數(shù)據(jù)構建的無向網(wǎng)絡, 節(jié)點之間的關系不存在方向性, 無法做出因果推論。如果是基于縱向數(shù)據(jù)構建的時序網(wǎng)絡, 可以進一步表明癥狀之間的因果關系, 此類網(wǎng)絡中連接節(jié)點的是有箭頭的線, 表示關系的方向性, 詳見Aalbers等(2019)中的圖2。

抑郁網(wǎng)絡的觀點得到了廣泛支持, 有充足的證據(jù)表明抑郁癥的形成涉及多種癥狀的相互作用。首先, 研究者發(fā)現(xiàn), 在與抑郁癥狀表現(xiàn)相關的時序(Wichers, 2014)或橫斷數(shù)據(jù)中(Monk et al., 2022), 情緒、壓力和行為狀態(tài)等多個因素之間有明顯關系; 其次, 與正常群體相比, 抑郁患者的癥狀網(wǎng)絡連接密度更大(Cramer et al., 2016)。與抑郁狀態(tài)緩解的人相比, 持續(xù)抑郁患者癥狀網(wǎng)絡中的節(jié)點關系連接更強(van Borkulo et al., 2015)。而且, 癥狀的嚴重程度與節(jié)點連接存在顯著關系(Heeren & McNally, 2018; van Rooijen et al., 2018)。最后, 詢問臨床專家可發(fā)現(xiàn), 多個抑郁癥狀之間有密切的因果關系(Kim & Ahn, 2002)。在成功的精神類疾病治療中, 治療之后癥狀網(wǎng)絡的連接明顯降低(Madhoo & Levine, 2016)。

圖1 抑郁癥狀網(wǎng)絡示意圖

注：圖中的節(jié)點(D1-D10)代表具體的抑郁癥狀, 節(jié)點之間的連線代表癥狀之間的相互關系, 節(jié)點間的藍邊代表癥狀間的正相關, 紅邊代表負相關, 連線越粗則相關性越高。[資料來源：根據(jù)公開數(shù)據(jù)庫自創(chuàng)]

2.2 基于網(wǎng)絡結構特征的抑郁產(chǎn)生預測

由于抑郁源于癥狀之間的相互作用, 分析抑郁癥狀的網(wǎng)絡特征為預測抑郁發(fā)生提供了一種途徑。從圖論的角度分析, 抑郁網(wǎng)絡的結構特征主要表現(xiàn)為網(wǎng)絡拓撲屬性, 比如連接性和節(jié)點中心性等, 網(wǎng)絡連接性的主要指標為全局強度(global strength, 網(wǎng)絡中所有邊的權重絕對值之和)和網(wǎng)絡密度(density, 所估計網(wǎng)絡中邊的數(shù)目占網(wǎng)絡中所有節(jié)點可以構建出的總邊數(shù)的比例) (陳琛等, 2021), 節(jié)點中心性反映節(jié)點在網(wǎng)絡中的重要程度。與社交網(wǎng)絡、物流網(wǎng)絡不同, 網(wǎng)絡連通性或密度越大網(wǎng)絡的信息傳遞和交互能力越強。在癥狀網(wǎng)絡中, 癥狀之間連接較弱的時候, 某些癥狀不會被其它癥狀激活, 網(wǎng)絡整體韌性較大, 這種網(wǎng)絡往往是健康的。由此, 網(wǎng)絡密度或連通性越低, 預示抑郁癥狀嚴重程度越低(Borsboom, 2017)。

在網(wǎng)絡密度方面, 重度抑郁患者比正常群體的連接密度更大(Pe et al., 2015)。整體連通性的預測能力暫沒有得到充足的實證支持。一方面, 前瞻性研究表明, 基線階段抑郁網(wǎng)絡的連接程度能預測2年后的抑郁狀態(tài), 網(wǎng)絡連接越緊密對應的個體狀態(tài)越差(van Borkulo et al., 2015)。另一方面, 在青少年抑郁干預中, 盡管對干預響應較弱的群體在癥狀網(wǎng)絡整體強度上比對干預響應較強的群體更高, 但差異不顯著(Schweren et al., 2018)。此外, 有研究發(fā)現(xiàn)舍曲林抗抑郁藥物介入8周后, 伴隨抑郁癥狀的緩解, 癥狀網(wǎng)絡連通性并沒有減少, 反而增強了(Bos et al., 2018)。

研究之間存在差異的一個可能原因在于實驗設計。van Borkulo等人(2015)的研究為組間設計, 對比的是基線階段正常組和持續(xù)抑郁組的差異, Bos等人(2018)是組內(nèi)設計, 涉及不止一次的癥狀評估。反復測量會帶來反應偏差(Fried et al., 2016), 由于Bos等人(2018)沒有設置對照組, 無法確定其顯著差異源于干預還是重復測量。如果不是源于干預, 所謂相反的結果就不存在。這種猜測是存在可能的, 在一項考察抑郁干預方式有效性的研究中, 雖然丙咪嗪(一種抗抑郁藥)組與安慰劑組在抑郁癥狀網(wǎng)絡的連通性上存在顯著差異, 但這種差異并非藥物所致, 因為藥物組的網(wǎng)絡隨時間變化不顯著(Snippe et al., 2017)。

另一種可能的原因與有無干預(也就是系統(tǒng)的外界擾動或干擾)有關。有研究是在無干預條件下預測抑郁的發(fā)作(van Borkulo et al., 2015), 而其它研究則聚焦治療介入后不同階段的癥狀表現(xiàn)(Bos et al., 2018; Schweren et al., 2018), 不同預測時間點上的臨界指標變化存在本質差異。具體來講, 在無干預時, 系統(tǒng)更大的波動意味著狀態(tài)惡化。治療介入后, 系統(tǒng)的動蕩看似是狀態(tài)的惡化, 其實這種不穩(wěn)定時期的波動是有益的, 因為這表明了抑郁系統(tǒng)有發(fā)生重構的可能性(Hayes et al., 2015; Olthof, Hasselman, Strunk, van Rooij et al., 2020)。根據(jù)Hayes等人(2015)的理論解釋, 如果用于預測的數(shù)據(jù)跨度恰恰處于系統(tǒng)重建階段, 系統(tǒng)正在發(fā)生去穩(wěn)定性與穩(wěn)定性的重構, 該階段的網(wǎng)絡整體連通性有可能出現(xiàn)短暫的增強。由于無法確定最后一次測量究竟在哪個階段, 這種解釋需要進一步證實。

這些沖突的研究結果也從另一個角度提示, 在基于網(wǎng)絡特征的抑郁預測中, 整體連通性或連接密度可能不是唯一指標。一項對比抑郁和非抑郁群體癥狀網(wǎng)絡的研究并沒有發(fā)現(xiàn)兩組在連通性上存在差異, 卻在社團結構上發(fā)現(xiàn)了組間差異, 表現(xiàn)為抑郁患者的社團結構更簡單(Hakulinen et al., 2020)。也有研究發(fā)現(xiàn), 基線階段抑郁癥狀網(wǎng)絡中心性(centrality)較強的癥狀比較弱的癥狀能更有力地預測抑郁發(fā)作(Boschloo et al., 2016)。這些結果說明, 社團結構、節(jié)點中心性, 以及其它尚未被開發(fā)的癥狀網(wǎng)絡結構特征, 是預測抑郁產(chǎn)生的潛在指標。

3 網(wǎng)絡的動力性與抑郁演變

3.1 臨界現(xiàn)象與抑郁狀態(tài)演變的理論解釋

真實情景中的網(wǎng)絡是動態(tài)的, 多種因素相互作用可以改變網(wǎng)絡彈性, 推動網(wǎng)絡系統(tǒng)的整體發(fā)展。當網(wǎng)絡的發(fā)展超越了臨界點(tipping point), 系統(tǒng)會從一種狀態(tài)突然轉向另一種狀態(tài), 也就是相變(系統(tǒng)從一種狀態(tài)到另一種狀態(tài)的質變, 比如水變成冰, 正常與抑郁狀態(tài)的轉變) (Scheffer et al., 2009)。與網(wǎng)絡發(fā)展的這一特點類似, 抑郁癥發(fā)展過程中的臨床癥狀表現(xiàn)也是非線性的。大部分抑郁癥患者的癥狀分布表現(xiàn)出了要么低、要么高的特征, 患者自己也能感受到狀態(tài)的突變(Helmich et al., 2020; Hosenfeld et al., 2015)。即便無明顯外因出現(xiàn), 癥狀體驗也會出現(xiàn)突然的、不連續(xù)的變化(Hayes et al., 2007)。傳統(tǒng)方法很難解釋這種突變, 但網(wǎng)絡演化可以。網(wǎng)絡演化到臨界點附近, 即便是微小的擾動也有可能誘發(fā)系統(tǒng)發(fā)生質的變化(Boeing, 2016)。研究者利用動力系統(tǒng)理論的因果循環(huán)圖生成了抑郁癥作為動力系統(tǒng)的概念模型(Wittenborn et al., 2016), 進一步支持了抑郁癥是一個動力系統(tǒng)的觀點。

基于抑郁狀態(tài)變化特征與網(wǎng)絡演變規(guī)律的相似性, 研究者將動力系統(tǒng)的一些概念應用到了抑郁癥狀的演變中。抑郁癥被視為由多穩(wěn)態(tài)構成的(alternative stable states)系統(tǒng), 健康和抑郁屬于兩種不同的狀態(tài)。從一種狀態(tài)(也被稱為吸引子, attractor)轉換到另一種的概率取決于吸引子的強度、擾動的類型、控制系統(tǒng)組織的參數(shù), 以及交替因子的強度(Hayes & Andrews, 2020)。在某些情況下, 狀態(tài)的轉變會帶來災難性的后果, 這一點在精神疾病中表現(xiàn)得尤為明顯。因為從患病狀態(tài)返回原有的健康狀態(tài)較為困難, 抑郁癥一旦形成, 在很大程度上是不可逆轉的。仿真研究證明, 系統(tǒng)相變發(fā)生后撤銷干擾并不總會使系統(tǒng)重回原始狀態(tài)(Cramer et al., 2016)。幸運的是, 系統(tǒng)相變發(fā)生之前往往伴有早期預警信號的出現(xiàn), 如果能敏銳地捕捉到這些信號, 就可以啟動干預策略, 能取得保護系統(tǒng)網(wǎng)絡彈性, 及時止損, 降低抑郁發(fā)生率的作用, 有重要的臨床價值。為此, 研究者總結了一些穩(wěn)定存在于很多系統(tǒng)轉折發(fā)生前的、普遍的早期預警信號(generic early warning signs)。常見的預警信號有兩種, 分別是臨界波動(critical fluctuation)和臨界慢化(critical slowing down)。

臨界波動是指系統(tǒng)在臨界點附近表現(xiàn)出的不規(guī)律且波動幅度較大的現(xiàn)象(Schiepek & Strunk, 2010), 它的出現(xiàn)往往伴隨系統(tǒng)更大的變化性或復雜性。處于波動時期的系統(tǒng)是不穩(wěn)定的, 因此更能收納新信息, 有可能使系統(tǒng)變得更有適應力?；谂R界波動提出的網(wǎng)絡去穩(wěn)定性轉變模型(Network destabilization and transition model, NDT)可以很好地解釋治療介入抑郁系統(tǒng)的變化過程, 為了解抑郁干預效果的產(chǎn)生及干預敏感期的確定提供了理論支撐。首先, 在初始或基線階段, 與正常群體相比, 抑郁群體的癥狀表現(xiàn)較多, 癥狀之間相互作用強。從可視化網(wǎng)絡中可以看出, 抑郁網(wǎng)絡節(jié)點彼此連接較強, 而積極網(wǎng)絡節(jié)點連接較弱(圖2A); 其次, 在干預(比如體育鍛煉、抗抑郁藥物或心理治療等)介入后的變化階段, 固化因素的減少允許新信息進入, 與原有舊經(jīng)驗不一致的信息輸入使得癥狀網(wǎng)絡不穩(wěn)定, 抑郁網(wǎng)絡系統(tǒng)處于波動狀態(tài)。從圖2B可以看出, 該階段抑郁癥狀會有短暫增加, 這是治療起作用的關鍵階段。最后, 干預之后的積極網(wǎng)絡被激活, 該階段的變化能預測治療后的結果(圖2C)。干預的介入是一個擾亂舊模式, 發(fā)展新的、更有適應性模式的過程(Hayes et al., 2015)。在圖2A、C中, 用帶陰影的圖形表示抑制變化的節(jié)點, 節(jié)點較為穩(wěn)固, 說明系統(tǒng)是穩(wěn)定的。圖2B中, 節(jié)點的穩(wěn)定性被打破, 用無陰影的圖形表示開始變化發(fā)生的節(jié)點, 說明系統(tǒng)是處于波動狀態(tài)的。

臨界慢化是指系統(tǒng)發(fā)展到臨界點附近速度變慢的現(xiàn)象, 圖3從臨界慢化的角度展示了抑郁狀態(tài)演變的過程, 圖中的小球代表個體特定時間的狀態(tài)。吸引域的形狀(圖3A、3B中呈現(xiàn)的凹陷部分), 尤其是深度, 揭示了個體對外部擾動的回應。在圖3A中, 系統(tǒng)是相對穩(wěn)定的, 吸引域很深, 表明這種狀態(tài)下的個體心理彈性較強。盡管小球會隨外部擾動有一定變化, 但除非擾動特別大(比如親人離世), 否則小球不會從左邊的吸引域滾動到右邊的吸引域。在圖3B中, 系統(tǒng)彈性低于3A, 吸引域的深度變淺, 這種狀態(tài)中的系統(tǒng)更容易“突變”, 也就是突然轉向右側的另一種穩(wěn)定狀態(tài)。即使是很小的擾動, 比如工作中的沖突, 也能導致個體從正常狀態(tài)過渡到抑郁狀態(tài)。系統(tǒng)從A狀態(tài)(正常狀態(tài))演化到狀態(tài)B (抑郁狀態(tài)), 往往伴隨臨界慢化現(xiàn)象的出現(xiàn)。在這個過程中, 隨著吸引子力量減弱, 吸引域變淺, 小球被推離平衡位置后滾動的距離更遠, 再次回到穩(wěn)定狀態(tài)則更慢。伴隨臨界慢化現(xiàn)象的常見指標包括恢復時間(系統(tǒng)復原所用時間)、自相關(t與t?1時間點上的相關)、方差變異(t與t?1時間點上差值的標準差)。當臨界現(xiàn)象發(fā)生時, 系統(tǒng)從擾動中恢復時長增大(C→E), 變異增加(D→F), 自相關變大(G→H), 這些指標的顯著變化為抑郁的早期預警信號提供了基礎。

圖2 網(wǎng)絡去穩(wěn)定性和轉變模型示意圖

注：該圖中的每一個節(jié)點以及節(jié)點之間的連線的意義與圖1相同。(A)右邊抑郁狀態(tài)網(wǎng)絡中節(jié)點連接更密切, 展示了抑制變化發(fā)生的固化過程, 左邊積極的網(wǎng)絡節(jié)點連接明顯減少; (B)治療能夠改變抑郁癥狀網(wǎng)絡的穩(wěn)定性, 促進建設性的心理加工; (C)接受治療以后, 右側抑郁網(wǎng)絡被削弱。左側積極網(wǎng)絡的激活與運行能促進積極功能的螺旋上升。圖中藍色小球及其左右箭頭代表狀態(tài), 灰色閃電標識代表干預介入。[資料來源：Hayes & Andrews, 2020]

圖3 臨界慢化與抑郁狀態(tài)轉變示意圖[資料來源：基于Scheffer et al (2012)繪制]

3.2 基于臨界現(xiàn)象的抑郁變化預測

臨界慢化和臨界波動是系統(tǒng)的典型動力特征, 是復雜系統(tǒng)發(fā)生相變之前的早期預警信號。由于臨界現(xiàn)象是可計算的, 而且有較為成熟的量化指標, 在精神疾病預測方面表現(xiàn)出了潛力, 眾多實證研究嘗試建立臨界現(xiàn)象與抑郁發(fā)作或變化的關系。與網(wǎng)絡結構特征的計算不同, 臨界現(xiàn)象的計算是建立在抑郁癥狀的時序信號基礎上的, 而非橫斷數(shù)據(jù), 這就涉及時序數(shù)據(jù)的采集。常用的方法為經(jīng)驗抽樣法(experience sampling method, ESM) (Bastiaansen et al., 2020)。ESM采集人們在日常生活場景下的動態(tài)數(shù)據(jù), 采集內(nèi)容較為多樣, 比如, 多條目的情緒評定、心率、體力活動和血壓等(Gijzel et al., 2020)。相比傳統(tǒng)的數(shù)據(jù)采集方法, 在抑郁癥的研究中, ESM可以減少回憶偏差, 提高研究的生態(tài)效度。

3.2.1 臨界慢化與抑郁狀態(tài)變化預測

首次明確提出將臨界慢化作為抑郁狀態(tài)變化早期預警信號的是van de Leemput等人。他們要求確診抑郁患者和健康被試完成每天10次, 連續(xù)5～6天的情緒評定任務(包括高興、滿足、悲傷和焦慮), 每個被試最終有50～60個時序的情緒評定值, 基于這些時序數(shù)據(jù)分別計算每種情緒的自相關和方差變異, 以此作為自變量。分別使用漢密爾頓抑郁測評量表和SCL-90界定接受治療的抑郁癥人群的狀態(tài), 以及正常人群狀態(tài), 以此作為為因變量。結果表明, 在正常人群中, 出現(xiàn)從正常狀態(tài)到抑郁狀態(tài)轉變的被試在所有情緒的自相關和方差變異方面都顯著高于未出現(xiàn)轉變的被試。在抑郁群體中, 所有情緒自相關的降低和方差變異的減少都能顯著預測抑郁狀態(tài)的恢復(van de Leemput et al., 2014)。臨界慢化現(xiàn)象的出現(xiàn)不僅意味著系統(tǒng)在到達臨界點前速度變慢, 還意味著處于臨界點附近的系統(tǒng)受擾動后恢復變慢。一項前瞻性研究發(fā)現(xiàn), 與沒有變化的青少年相比, 一年后心理障礙加重的青少年早在基線階段就表現(xiàn)出了需要更多時間消除不良事件對情緒影響的現(xiàn)象(Kuranova et al., 2020), 說明基線階段應對不良事件中表現(xiàn)出的臨界慢化現(xiàn)象能預測一年后心理障礙的嚴重程度。該研究使用情緒的恢復速度, 以更直接的方式證明了臨界慢化對抑郁變化的預測力。

雖然van de Leemput等(2014)和Kuranova等(2020)的數(shù)據(jù)既可以進行組分析, 也能在個體水平上計算早期預警信號, 但研究者并沒有展示個性化的結果, 對臨床應用價值是間接的。因為預警信號的表現(xiàn)力存在很大的個體差異(de Vries et al., 2019; Schreuder et al., 2022), 而群體研究的結果并不一定適用于個體(Schmiedek et al., 2020; Wright & Woods, 2020)。通過個體水平的計算, 生成個性化預警信號不僅能防患未然, 還能找到治療的敏感期, 提高治療效果并為臨床醫(yī)生提供有效的反饋(Fried et al., 2022)。

在第一項個體水平的研究中, 為確保研究的時間跨度涵蓋抑郁狀態(tài)的轉折點, 研究者監(jiān)測了一名有重度抑郁發(fā)作史且抗抑郁藥物正逐漸減少的患者, 減少藥物劑量會增加抑郁復發(fā)的風險, 出現(xiàn)從正常到抑郁發(fā)作的狀態(tài)轉變。分析ESM收集的情緒自評問卷和每周一次的抑郁狀態(tài)評定發(fā)現(xiàn), 在癥狀轉變前的一個月出現(xiàn)了臨界慢化現(xiàn)象, 表現(xiàn)為5種情緒條目去趨勢總分(summed detrended score)的自相關和方差顯著上升(Wichers et al., 2016)。隨后, 該團隊使用新的數(shù)據(jù)集對該結果進行了驗證, 他們收集了6名抗抑郁藥物減少的抑郁患者每天3次, 連續(xù)3～6個月的情緒自評數(shù)據(jù)。并基于每周一次的SCL-90測試, 使用變點檢驗明確狀態(tài)是否發(fā)生了變化。結果表明, 僅有一名被試的狀態(tài)發(fā)生了變化, 這種狀態(tài)的轉變也伴隨著臨界慢化現(xiàn)象的出現(xiàn), 表現(xiàn)為心境低落自評分數(shù)自相關增大, 方差變異和交叉相關增強, 該結果趨勢與先前完全一致(Wichers et al., 2020)。但是, 該研究未匯報其余5名未發(fā)生癥狀突變的被試中是否也伴隨類似的早期預警信號, 無法推論臨界慢化的出現(xiàn)與個體抑郁狀態(tài)的轉變是否存在穩(wěn)定的關系。

在一項較大樣本量的研究中, 研究者對數(shù)據(jù)進行了更全面的匯報。41名即將接受治療的抑郁癥患者完成每天5次, 連續(xù)4個月的情緒自評任務, 以及每周一次的抑郁狀態(tài)評估。在整個治療過程中, 9名被試的狀態(tài)發(fā)生了轉變, 這種轉變與臨界慢化現(xiàn)象的關系較為復雜。在狀態(tài)出現(xiàn)轉變的被試中, 其中有8名被試在至少一種情緒上表現(xiàn)出自相關增加, 4名被試在至少一種情緒上表現(xiàn)出方差變異增大。但是, 在沒有發(fā)生癥狀轉變的32個被試中, 有20名被試也在至少一種情緒中表現(xiàn)出了自相關增強, 8名被試在至少一種情緒中表現(xiàn)出方差增大(Helmich et al., 2022)。該研究說明, 并不是所有預警信號對所有人都有效, 存在某些預警信號對部分個體有效的現(xiàn)象, 這也進一步得到了其它研究者的支持(Bos et al., 2022)。在11名癥狀轉變的患者中, 早期預警信號的出現(xiàn)增加了從正常狀態(tài)到抑郁和躁狂狀態(tài)轉變的概率。也就是說, 沒有早期預警信號的出現(xiàn)并不意味著在不久的將來不會發(fā)生狀態(tài)轉變(Bos et al., 2022)。除了預測臨界點的到來, 臨界慢化現(xiàn)象還能預測臨界點之后轉變的方向是抑郁惡化還是抑郁緩解, 預測的正確率為52.31% (Schreuder et al., 2022)。

以上研究均使用主動的方式采集數(shù)據(jù), 這對被試的配合度要求較高, 因為在患抑郁癥時期, 找到許多患者愿意每天多次連續(xù)長時間段內(nèi)填寫問卷是一項挑戰(zhàn), 獲取高質量數(shù)據(jù)需要大量的時間和資源投資。鑒于此, 有研究者使用可穿戴設備(腕動儀)進行主動數(shù)據(jù)采集, 這種方法能采集到更多的數(shù)據(jù)點, 但是無法直接測量參與者的情緒。分析180天體力活動數(shù)據(jù)的結果發(fā)現(xiàn), 早期預警信號的表現(xiàn)力具有選擇性。具體而言, 在8個狀態(tài)轉變的被試中, 7名被試在癥狀轉變前的4周表現(xiàn)出了早期預警信號。就普遍的早期預警信號(generic EWS, 包括方差和坡度)而言, 早期預警信號的指向總是與癥狀轉變的方向一致。但是, 背景驅動的早期預警信號(context-driven EWS, 自相關)的指向卻總是與4周后癥狀轉變的方向相反(Kunkels et al., 2021)。這說明, 早期預警信號具體指標的選取會導致完全不同的預測結果。類似地, 另有研究者發(fā)現(xiàn), 只有部分臨界慢化量化指標能預測抑郁癥狀變化, 積極和消極情緒自相關的增加與抑郁癥狀惡化顯著正相關, 但是, 方差變異與交叉相關均與抑郁癥狀的變化無關(Curtiss et al., 2023)。

3.2.2 臨界波動與抑郁狀態(tài)變化預測

雖然臨界慢化與臨界波動有一些共享的量化指標, 比如方差變異, 但二者在具體指標上存在差異。自相關是臨界慢化的特異性指標, 而復雜性、熵是臨界波動的特異指標。從本質上講, 臨界慢化強調臨界點附近系統(tǒng)發(fā)展速度變緩, 而臨界波動強調系統(tǒng)不穩(wěn)定與穩(wěn)定之間的轉變。因此, 基于臨界慢化的預測多為前瞻性研究(Bos et al., 2022; Helmich et al., 2022; Schreuder et al., 2022; Wichers et al., 2016; Wichers et al., 2020), 預測對象為抑郁狀態(tài)的發(fā)展。而基于臨界波動的預測多為干預研究(de Felice et al., 2022; Olthof, Hasselman, Strunk, Aas et al., 2020; Olthof, Hasselman, Strunk, van Rooij et al., 2020), 預測對象為干預后的效果。

根據(jù)NDT模型, 可以認為抑郁患者的狀態(tài)被“卡”在了抑郁的狀態(tài)下, 需要給該系統(tǒng)施加擾動, 導致原有的吸引子去穩(wěn)定化, 由此系統(tǒng)將獲取重構的希望, 在有可能出現(xiàn)的狀態(tài)之間波動, 直到穩(wěn)定狀態(tài)形成(Hayes et al., 2015)。伴隨該波動過程的信號是動態(tài)復雜性、熵, 以及方差變異的增加, 這得到了實證研究的支持。一項針對難治性抑郁患者的認知行為療法干預結果表明, 無論基線階段的癥狀如何, 情緒和行為功能在狀態(tài)突變之前更大的波動都能預測12個月后更好的抑郁治療結果(Yasinski et al., 2020)。與接受心理治療后效果較差的組相比, 效果較好的組在治療過程中表現(xiàn)出了更大的變異, 靈活性更大(de Felice et al., 2022)。這說明, 臨界波動增強確實能預測抑郁干預的結果。心境障礙患者在治療過程中表現(xiàn)出的動態(tài)復雜性增加也與更積極的治療效果有關(Olthof, Hasselman, Strunk, Aas et al., 2020), 而且臨界波動的出現(xiàn)能預測接下來4天內(nèi)轉變增加的概率(Olthof, Hasselman, Strunk, van Rooij et al., 2020), 為臨床治療中及時反饋的生成提供了可能。但是, 以上關于臨界波動的研究均局限于組水平上, 臨界波動能否在個體水平上預測抑郁患者預后的效果有待進一步研究。

臨界慢化和臨界波動的具體量化指標較多, 目前, 沒有確切的結論表明哪個指標優(yōu)于另外一個, 受場景類型影響非常大(Weinans et al., 2021)。具體指標的選擇可以參考以下來自仿真模擬的結論：(1)檢查所包含變量的自相關性。如果自相關與零無顯著差異, 表明數(shù)據(jù)分辨率太低, 應使用基于方差的指標; (2)同時進行多個測量以確定數(shù)據(jù)的準確性。如果有準確性較低的數(shù)據(jù)(噪聲大), 使用降維技術或使用平均自相關或方差; (3)在實際系統(tǒng)中, 噪聲很可能是觀測/測量噪聲和系統(tǒng)噪聲的組合。若系統(tǒng)噪聲隨時間變化, 應使用基于自相關的指標(Weinans et al., 2021)。

4 討論與展望

從網(wǎng)絡的角度闡釋抑郁發(fā)生與演變的理論基礎, 并基于此開展實證研究, 為抑郁預測提供了量化方法。抑郁源于多種癥狀的相互作用, 當相互作用形成的反饋循環(huán)足夠強時, 抑郁一觸即發(fā)。整體連通性、網(wǎng)絡密度、中心性和社團等為預測抑郁發(fā)作提供了具體指標。從演化角度來講, 抑郁癥狀的非線性發(fā)展符合網(wǎng)絡系統(tǒng)相變的特征, 相變前的臨界現(xiàn)象為抑郁預測提供了量化方法。抑郁癥狀網(wǎng)絡的結構特征和動力分析, 為抑郁發(fā)生和變化提供了可量化的指標, 為臨床抑郁干預的及時性提供了保障。目前, 該領域的研究仍然存在一些亟待解決的問題。

4.1 抑郁癥狀網(wǎng)絡的構建有待完善

基于網(wǎng)絡分析方法預測抑郁的實證研究缺乏系統(tǒng)和全面性, 表現(xiàn)為網(wǎng)絡節(jié)點內(nèi)容的選取單一。在臨界現(xiàn)象分析中, 有研究者只測量情緒(van de Leemput et al., 2014)或將某些抑郁量表的條目作為節(jié)點, 而有些研究的測量內(nèi)容還包含睡眠和體力活動(Bos et al., 2022)。即便都是測量情緒, 測量所用條目也有不同, 有些研究的條目涉及積極、消極和不安三個維度(Wichers et al., 2016), 有些涵蓋效價和喚醒組成的4個維度(van de Leemput et al., 2014)。其實, 抑郁癥狀的表現(xiàn)較為豐富, 涉及情緒、認知、行為等多個方面, 使用單一的癥狀表現(xiàn)很難全面刻畫該系統(tǒng)的狀態(tài), 導致使用單條目或單維度的內(nèi)容預測整體狀態(tài)的變化較為困難(de Vries et al., 2019)。

在網(wǎng)絡結構分析中, 節(jié)點內(nèi)容多為常用量表的具體條目, 局限于心理變量, 基因(Isvoranu et al., 2020)、生理信號等被忽視。有研究表明, 與正常人群相比, 抑郁患者的大腦結構及功能均有顯著不同, 基于這些顯著的特征可以將他們從正常人群中區(qū)分出來(Dai et al., 2022; Zhu et al., 2022), 這說明某些獨特的神經(jīng)信號可以作為抑郁患者在生理水平上的表現(xiàn)形式。雖然抑郁腦網(wǎng)絡的研究旨在確定抑郁的潛在神經(jīng)基礎, 而抑郁癥狀網(wǎng)絡的研究主要從癥狀水平揭示抑郁發(fā)生發(fā)展機制, 但二者不應當被割裂。我們可以將神經(jīng)活動信號以一種獨特的方式加入癥狀網(wǎng)絡中, 比如節(jié)點之間連接強度的中介或調解變量, 以此構建出大規(guī)模多因素網(wǎng)絡(massively multifactorial symptom networks), 基于更加系統(tǒng)、全面的網(wǎng)絡, 深入詳盡地闡釋抑郁發(fā)生發(fā)展的機制(Borsboom et al., 2019)。

在網(wǎng)絡構建中, 理想的情況是把系統(tǒng)中所有層面的因素都納入進去, 這顯然是不現(xiàn)實的。目前, 沒有研究明確表明應該測量什么(Eisele et al., 2021)。研究者建議節(jié)點的選擇應當盡可能納入建模預期所需的所有節(jié)點, 排除同質性高的節(jié)點(Bringmann et al., 2022)。先前研究使用多條目情緒評定作為節(jié)點時, 就出現(xiàn)了節(jié)點之間過多重合的現(xiàn)象, 導致情緒動態(tài)性的預測力度不充分(Dejonckheere et al., 2019)。當節(jié)點內(nèi)容足夠全面、系統(tǒng)時, 所構建出的網(wǎng)絡必然是高維的, 這不僅對節(jié)點數(shù)據(jù)的采樣頻率提出了要求, 也對目前使用的分析方法提出了挑戰(zhàn)。為確保數(shù)據(jù)結構的平衡性, 節(jié)點的測量頻率要盡可能保持一致。如果無法做到一致, 可以使用連續(xù)時間模型解決(Bringmann et al., 2022)。此外, 已有研究者提出了將高維系統(tǒng)動力性映射到低維系統(tǒng)動力性上的冗減理論(reduction theory), 該模型不僅能準確預測系統(tǒng)對各種擾動的響應, 而且能準確定位系統(tǒng)失去彈性的臨界點(Gao et al., 2016), 為網(wǎng)絡分析提供了一種有效降維方法。未來研究要盡可能讓節(jié)點內(nèi)容豐富, 全面融入心理、生理及神經(jīng)信號, 并從眾多節(jié)點中提取綜合信號。

4.2 臨界現(xiàn)象預警指標與所預測狀態(tài)的關系不夠穩(wěn)健

臨界現(xiàn)象在抑郁領域應用中面臨的最大挑戰(zhàn)是相關指標的出現(xiàn)與狀態(tài)變化之間不是同步的。也就是說, 臨床表現(xiàn)與預警指標之間不存在明確的映射關系。從理論上講, 臨界慢化與臨界波動相關指標能有效預測抑郁發(fā)生與變化, 但實證研究中二者的關系趨向不盡相同。一方面, 這種關系的不穩(wěn)定與臨界現(xiàn)象的量化指標和方式有關。臨界現(xiàn)象是一種復雜的現(xiàn)象, 僅使用一個指標, 比如自相關、交叉相關或方差變異, 很難準確計算出早期預警信號的出現(xiàn)。常用的臨界指標很容易受系統(tǒng)噪聲的影響(Boettner & Boers, 2022), 而早期預警信號性能的表現(xiàn)受噪音影響很大(Dablander et al., 2023), 促使研究者開發(fā)新的指標。研究表明, 使用包括變異系數(shù)、偏度系數(shù)、自相關和空間相關的綜合指標比單一指標更能探測到系統(tǒng)臨界轉變的發(fā)生(Clements et al., 2019; Drake & Griffen, 2010)。除了在既有指標基礎上開發(fā)出綜合指標之外, 機器學習也為系統(tǒng)相變的精準預測提供了方法(Ni et al., 2019)。最近的一項研究使用深度學習, 能夠在不依賴系統(tǒng)特異性的前提下, 以更高的靈敏度識別出臨界點, 降低預測的假陽性(Bury et al., 2021), 這種算法為未來抑郁狀態(tài)突變的預測提供了新的方法。

另一方面, 預警指標與預測對象關系不穩(wěn)定可能與抑郁狀態(tài)變化的界定有關。抑郁狀態(tài)是預測的因變量, 直接關乎研究結果。目前常用的抑郁狀態(tài)轉變的界定大多基于抑郁診斷量表得分的變化, 比如量表得分在一周內(nèi)變化6分(Bos et al., 2022; Kunkels et al., 2021), 或根據(jù)已獲得狀態(tài)的時序得分進行顯著性檢驗, 通過比較多次評定獲得的觀測值是否發(fā)生顯著變化確定狀態(tài)的突變是否發(fā)生, 比如變點檢測(Wichers et al., 2020)以及能捕捉非定時長內(nèi)癥狀變化的Duration-adjusted RCI方法(Helmich et al., 2022)。使用這種單一的數(shù)據(jù)驅動的方法可能使得抑郁狀態(tài)變化被遺漏或夸大(DeYoung & Krueger, 2018)。未來研究還應盡可能兼顧臨床醫(yī)生的診斷, 通過訪談等質性手段從參與者的角度尋找抑郁狀態(tài)轉變的跡象(Wicherset al., 2020)。結合自上而下和自下而上的方法, 多角度收集證據(jù)能更加準確地揭示參與者真實的狀態(tài)。

最后, 由于系統(tǒng)的動力包括自身動力和交互動力(self and interaction dynamics) (Gao &Yan, 2022), 可以認為, 動力分析是建立在網(wǎng)絡結構分析之上的。但是, 從目前的實證研究來看, 基于網(wǎng)絡結構的預測和基于臨界現(xiàn)象的預測處于人為的“割裂”狀態(tài), 沒有研究在網(wǎng)絡結構分析的基礎上進一步分析系統(tǒng)動力。未來研究可以先分析癥狀網(wǎng)絡拓撲屬性, 找出網(wǎng)絡中的關鍵節(jié)點, 并基于該節(jié)點的時序數(shù)據(jù)進行臨界現(xiàn)象的監(jiān)測分析, 從更加系統(tǒng)的角度構建抑郁預測的模型。

4.3 臨床轉化應用有待開發(fā)

收集個體抑郁癥狀的時序數(shù)據(jù)可以在個體水平上構建網(wǎng)絡, 進行一系列網(wǎng)絡結構特征和動力的分析, 其預警信號的生成能夠警示抑郁狀態(tài)未來的發(fā)展, 輔助臨床干預人員確定干預介入的敏感期, 及時開展相關應對措施, 也能夠及時將狀態(tài)發(fā)展的趨勢預告給當事人, 增強其自我認識和自我管理的能力。遺憾的是, 目前的研究主要集中于網(wǎng)絡在抑郁領域適用性的論述以及實證檢驗上, 沒有研究將預警信號以可讀或可視的形式傳遞給醫(yī)生或參與者, 缺乏相關平臺或應用程序的搭建。這種平臺的搭建需要基于數(shù)據(jù)驅動的算法和較為精準的時間選擇, 確保預警信號生成是及時有效的, 而實時預警信號的機器學習算法已經(jīng)實現(xiàn)(Fisher et al., 2021)。隨著智能手機在精神病學領域的廣泛使用(Gillan & Rutledge, 2021), 未來研究可以考慮像ESM收集數(shù)據(jù)那樣, 通過智能手機裝載APP或小程序, 發(fā)送預警信號。

蔡玉清, 董書陽, 袁帥, 胡傳鵬. (2020). 變量間的網(wǎng)絡分析模型及其應用.(1), 178?190.

陳琛, 王力, 曹成琦, 李根. (2021). 心理病理學網(wǎng)絡理論, 方法與挑戰(zhàn).(10), 1724?1739.

Aalbers, G., McNally, R. J., Heeren, A., De Wit, S., & Fried, E. I. (2019). Social media and depression symptoms: A network perspective.,(8), 1454?1462.

Armbrecht, E., Shah, A., Schepman, P., Shah, R., Pappadopulos, E., Chambers, R., ... McIntyre, R. S. (2020). Economic and humanistic burden associated with noncommunicable diseases among adults with depression and anxiety in the United States.(9), 1032?1042.

Bastiaansen, J. A., Kunkels, Y. K., Blaauw, F. J., Boker, S. M., Ceulemans, E., Chen, M., ... Bringmann, L. F. (2020). Time to get personal? The impact of researchers choices on the selection of treatment targets using the experience sampling methodology.,, 110211.

Boeing, G. (2016). Visual analysis of nonlinear dynamical systems: Chaos, fractals, self-similarity and the limits of prediction.(4), 37.

Boettner, C., & Boers, N. (2022). Critical slowing down in dynamical systems driven by nonstationary correlated noise.(1), 013230.

Borsboom, D. (2008). Psychometric perspectives on diagnostic systems.(9), 1089?1108.

Borsboom, D. (2017). A network theory of mental disorders.(1), 5?13.

Borsboom, D., Cramer, A. O., & Kalis, A. (2019). Brain disorders? Not really: Why network structures block reductionism in psychopathology research., e2, 1?63.

Bos, F. M., Fried, E. I., Hollon, S. D., Bringmann, L. F., Dimidjian, S., DeRubeis, R. J., & Bockting, C. L. (2018). Cross-sectional networks of depressive symptoms before and after antidepressant medication treatment.(6), 617?627.

Bos, F. M., Schreuder, M. J., George, S. V., Doornbos, B., Bruggeman, R., van der Krieke, L., ... Snippe, E. (2022). Anticipating manic and depressive transitions in patients with bipolar disorder using early warning signals.(1), 1?14.

Boschloo, L., van Borkulo, C. D., Borsboom, D., & Schoevers, R. A. (2016). A prospective study on how symptoms in a network predict the onset of depression.(3), 183?184.

Bringmann, L. F., Albers, C., Bockting, C., Borsboom, D., Ceulemans, E., Cramer, A., ... Wichers, M. (2022). Psychopathological networks: Theory, methods and practice., 104011.

Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., ... Tuerlinckx, F. (2013). A network approach to psychopathology: New insights into clinical longitudinal data.(4), e60188.

Bury, T. M., Sujith, R., Pavithran, I., Scheffer, M., Lenton, T. M., Anand, M., & Bauch, C. T. (2021). Deep learning for early warning signals of tipping points.(39), e2106140118.

Clements, C. F., McCarthy, M. A., & Blanchard, J. L. (2019). Early warning signals of recovery in complex systems.(1), 1?9.

Cramer, A. O., Van Borkulo, C. D., Giltay, E. J., Van Der Maas, H. L., Kendler, K. S., Scheffer, M., & Borsboom, D. (2016). Major depression as a complex dynamic system.(12), e0167490.

Curtiss, J. E., Mischoulon, D., Fisher, L. B., Cusin, C., Fedor, S., Picard, R. W., & Pedrelli, P. (2023). Rising early warning signals in affect associated with future changes in depression: A dynamical systems approach.,(7), 3124?3132.

Dablander, F., Pichler, A., Cika, A., & Bacilieri, A. (2023). Anticipating critical transitions in psychological systems using early warning signals: Theoretical and practical considerations.(4), 765–790.doi: 10.1037/met0000450

Dai, P., Xiong, T., Zhou, X., Ou, Y., Li, Y., Kui, X., ... Huang, Z. (2022). The alterations of brain functional connectivity networks in major depressive disorder detected by machine learning through multisite rs-fMRI data., 114058.

De Beurs, D., Bockting, C., Kerkhof, A., Scheepers, F., O’Connor, R., Penninx, B., & van de Leemput, I. (2021). A network perspective on suicidal behavior: Understanding suicidality as a complex system.,(1), 115?126.

de Felice, G., Giuliani, A., Pincus, D., Scozzari, A., Berardi, V., Kratzer, L., ... Schiepek, G. (2022). Stability and flexibility in psychotherapy process predict outcome., 103604.

de Vries, Y. A., Roest, A. M., Bos, E. H., Burgerhof, J. G., Van Loo, H. M., & de Jonge, P. (2019). Predicting antidepressant response by monitoring early improvement of individual symptoms of depression: Individual patient data meta-analysis.(1), 4?10.

Dejonckheere, E., Mestdagh, M., Houben, M., Rutten, I., Sels, L., Kuppens, P., & Tuerlinckx, F. (2019). Complex affect dynamics add limited information to the prediction of psychological well-being.(5), 478?491.

DeYoung, C. G., & Krueger, R. F. (2018). Understanding psychopathology: Cybernetics and psychology on the boundary between order and chaos.(3), 165?174.

Drake, J. M., & Griffen, B. D. (2010). Early warning signals of extinction in deteriorating environments.(7314), 456?459.

Eisele, G., Lafit, G., Vachon, H., Kuppens, P., Houben, M., Myin-Germeys, I., & Viechtbauer, W. (2021). Affective structure, measurement invariance, and reliability across different experience sampling protocols., 104094.

Fisher, A., Soyster, P., & Ashlock, L. (2021). Machine learning algorithms for generating early warning signals in real time.(9), S58?S59.

Fried, E. I., & Nesse, R. M. (2015). Depression sum-scores don’t add up: Why analyzing specific depression symptoms is essential.(1), 72.

Fried, E. I., Rieble, C., & Proppert, R. K. (2022).. PsyArXiv. doi: 10.31234/ osf.io/9qcvs

Fried, E. I., van Borkulo, C. D., Cramer, A. O., Boschloo, L., Schoevers, R. A., & Borsboom, D. (2017). Mental disorders as networks of problems: A review of recent insights.(1), 1?10.

Fried, E. I., van Borkulo, C. D., Epskamp, S., Schoevers, R. A., Tuerlinckx, F., & Borsboom, D. (2016). Measuring depression over time... Or not? Lack of unidimensionality and longitudinal measurement invariance in four common rating scales of depression.(11), 1354?1367.

Gao, J., Barzel, B., & Barabási, A.-L. (2016). Universal resilience patterns in complex networks.(7590), 307?312.

Gao, T. T., & Yan, G. (2022). Autonomous inference of complex network dynamics from incomplete and noisy data.(3), 160?168.

Gijzel, S. M., Rector, J., van Meulen, F. B., van Der Loeff, R. S., van de Leemput, I. A., Scheffer, M., ... Melis, R. J. (2020). Measurement of dynamical resilience indicators improves the prediction of recovery following hospitalization in older adults.(4), 525?530.

Gillan, C. M., & Rutledge, R. B. (2021). Smartphones and the neuroscience of mental health., 129?151.

Hakulinen, C., Fried, E. I., Pulkki-R?back, L., Virtanen, M., Suvisaari, J., & Elovainio, M. (2020). Network structure of depression symptomology in participants with and without depressive disorder: The population-based Health 2000?2011 study.(10), 1273?1282.

Hayes, A. M., & Andrews, L. A. (2020). A complex systems approach to the study of change in psychotherapy.(1), 197.

Hayes, A. M., Feldman, G. C., Beevers, C. G., Laurenceau, J.-P., Cardaciotto, L., & Lewis-Smith, J. (2007). Discontinuities and cognitive changes in an exposure- based cognitive therapy for depression.(3), 409?421.

Hayes, A. M., Yasinski, C., Barnes, J. B., & Bockting, C. L. (2015). Network destabilization and transition in depression: New methods for studying the dynamics of therapeutic change., 27?39.

Heeren, A., & McNally, R. J. (2018). Social anxiety disorder as a densely interconnected network of fear and avoidance for social situations.(1), 103?113.

Helmich, M. A., Smit, A. C., Bringmann, L. F., Schreuder, M., Oldehinkel, A., Wichers, M., & Snippe, E. (2022). Detecting impending symptom transitions using early warning signals in individuals receiving treatment for depression., 21677026221137006.

Helmich, M. A., Wichers, M., Olthof, M., Strunk, G., Aas, B., Aichhorn, W., ... Snippe, E. (2020). Sudden gains in day-to-day change: Revealing nonlinear patterns of individual improvement in depression.(2), 119?127.

Hofmann, S. G., Curtiss, J., & McNally, R. J. (2016). A complex network perspective on clinical science.(5), 597?605.

Hosenfeld, B., Bos, E. H., Wardenaar, K. J., Conradi, H. J., van der Maas, H. L., Visser, I., & de Jonge, P. (2015). Major depressive disorder as a nonlinear dynamic system: Bimodality in the frequency distribution of depressive symptoms over time.(1), 222.

Isvoranu, A.-M., Guloksuz, S., Epskamp, S., van Os, J., Borsboom, D., & Investigators, G. (2020). Toward incorporating genetic risk scores into symptom networks of psychosis.(4), 636?643.

Keshavarz, K., Hedayati, A., Rezaei, M., Goudarzi, Z., Moghimi, E., Rezaee, M., & Lotfi, F. (2022). Economic burden of major depressive disorder: A case study in Southern Iran.,(1), 577.

Kim, N. S., & Ahn, W.-k. (2002). Clinical psychologists' theory-based representations of mental disorders predict their diagnostic reasoning and memory.(4), 451?476.

Kunkels, Y. K., Riese, H., Knapen, S. E., Riemersma-van der Lek, R. F., George, S. V., van Roon, A. M., ... Wichers, M. (2021). Efficacy of early warning signals and spectral periodicity for predicting transitions in bipolar patients: An actigraphy study.(1), 350.

Kuranova, A., Booij, S. H., Menne-Lothmann, C., Decoster, J., van Winkel, R., Delespaul, P., ... Rutten, B. P. (2020). Measuring resilience prospectively as the speed of affect recovery in daily life: A complex systems perspective on mental health.(1), 1?11.

Liu, X., Li, D., Ma, M., Szymanski, B. K., Stanley, H. E., & Gao, J. (2022). Network resilience., 1?108.

Lu, J., Xu, X., Huang, Y., Li, T., Ma, C., Xu, G., ... Zhang, N. (2021). Prevalence of depressive disorders and treatment in China: A cross-sectional epidemiological study.(11), 981?990.

Madhoo, M., & Levine, S. Z. (2016). Network analysis of the Quick Inventory of Depressive Symptomatology: Reanalysis of the STAR* D clinical trial.(11), 1768?1774.

McLaughlin, K. A., Colich, N. L., Rodman, A. M., & Weissman, D. G. (2020). Mechanisms linking childhood trauma exposure and psychopathology: A transdiagnostic model of risk and resilience.(1), 1?11.

Monk, N. J., McLeod, G. F., Mulder, R. T., Spittlehouse, J. K., & Boden, J. M. (2022). Expanding the system: A brief psychosocial complex systems model of internalising disorder., 297?300.

Ni, Q., Tang, M., Liu, Y., & Lai, Y.-C. (2019). Machine learning dynamical phase transitions in complex networks.(5), 052312.

Olthof, M., Hasselman, F., Strunk, G., Aas, B., Schiepek, G., & Lichtwarck-Aschoff, A. (2020). Destabilization in self-ratings of the psychotherapeutic process is associated with better treatment outcome in patients with mood disorders.(4), 520?531.

Olthof, M., Hasselman, F., Strunk, G., van Rooij, M., Aas, B., Helmich, M. A., ... Lichtwarck-Aschoff, A. (2020). Critical fluctuations as an early-warning signal for sudden gains and losses in patients receiving psychotherapy for mood disorders.(1), 25?35.

Pe, M. L., Kircanski, K., Thompson, R. J., Bringmann, L. F., Tuerlinckx, F., Mestdagh, M., ... Gotlib , I. H. (2015). Emotion-network density in major depressive disorder.(2), 292?300.

Robinaugh, D. J., Hoekstra, R. H., Toner, E. R., & Borsboom, D. (2020). The network approach to psychopathology: A review of the literature 2008?2018 and an agenda for future research.(3), 353?366.

Roefs, A., Fried, E. I., Kindt, M., Martijn, C., Elzinga, B., Evers, A. W., ... Jansen, A. (2022). A new science of mental disorders: Using personalised, transdiagnostic, dynamical systems to understand, model, diagnose and treat psychopathology., 104096.

Scheffer, M., Bascompte, J., Brock, W. A., Brovkin, V., Carpenter, S. R., Dakos, V., ... Sugihara, G. (2009). Early-warning signals for critical transitions.(7260), 53?59.

Scheffer, M., Carpenter, S. R., Lenton, T. M., Bascompte, J., Brock, W., Dakos, V., ... Vandermeer, J. (2012). Anticipating critical transitions. S,(6105), 344? 348.

Schiepek, G., & Strunk, G. (2010). The identification of critical fluctuations and phase transitions in short term and coarse-grained time series—a method for the real-time monitoring of human change processes.(3), 197?207.

Schmiedek, F., L?vdén, M., von Oertzen, T., & Lindenberger, U. (2020). Within-person structures of daily cognitive performance differ from between-person structures of cognitive abilities., e9290.

Schreuder, M. J., Wigman, J. T., Groen, R. N., Weinans, E., Wichers, M., & Hartman, C. A. (2022). Anticipating the direction of symptom progression using critical slowing down: A proof-of-concept study.(1), 1?13.

Schweren, L., Van Borkulo, C. D., Fried, E., & Goodyer, I. M. (2018). Assessment of symptom network density as a prognostic marker of treatment response in adolescent depression.(1), 98?100.

Snippe, E., Viechtbauer, W., Geschwind, N., Klippel, A., de Jonge, P., & Wichers, M. (2017). The impact of treatments for depression on the dynamic network structure of mental states: Two randomized controlled trials.(1), 1?10.

van Borkulo, C., Boschloo, L., Borsboom, D., Penninx, B. W., Waldorp, L. J., & Schoevers, R. A. (2015). Association of symptom network structure with the course of depression.(12), 1219?1226.

van de Leemput, I. A., Wichers, M., Cramer, A. O., Borsboom, D., Tuerlinckx, F., Kuppens, P., ... Aggen, S. H. (2014). Critical slowing down as early warning for the onset and termination of depression.(1), 87?92.

van Rooijen, G., Isvoranu, A.-M., Kruijt, O. H., van Borkulo, C. D., Meijer, C. J., Wigman, J. T., ... de Haan, L. (2018). A state-independent network of depressive, negative and positive symptoms in male patients with schizophrenia spectrum disorders., 232? 239.

Weinans, E., Quax, R., van Nes, E. H., & Leemput, I. A. (2021). Evaluating the performance of multivariate indicators of resilience loss.(1), 1?11.

Wichers, M. (2014). The dynamic nature of depression: A new micro-level perspective of mental disorder that meets current challenges.(7), 1349? 1360.

Wichers, M., Groot, P. C., Psychosystems, E., & Group, E. (2016). Critical slowing down as a personalized early warning signal for depression.(2), 114?116.

Wichers, M., Smit, A. C., & Snippe, E. (2020). Early warning signals based on momentary affect dynamics can expose nearby transitions in depression: A confirmatory single-subject time-series study.(1), 1?15.

Wittenborn, A., Rahmandad, H., Rick, J., & Hosseinichimeh, N. (2016). Depression as a systemic syndrome: Mapping the feedback loops of major depressive disorder.(3), 551?562.

Wright, A. G., & Woods, W. C. (2020). Personalized models of psychopathology., 49?74.

Yasinski, C., Hayes, A. M., Ready, C. B., Abel, A., G?rg, N., & Kuyken, W. (2020). Processes of change in cognitive behavioral therapy for treatment-resistant depression: Psychological flexibility, rumination, avoidance, and emotional processing.(8), 983?997.

Zhu, J., Jiang, C., Chen, J., Lin, X., Yu, R., Li, X., & Hu, B. (2022). EEG based depression recognition using improved graph convolutional neural network., 105815.

Prediction of depression onset and development based on network analysis

ZHANG Weixia1, XI Min2, YIN Tiantian1, WANG Cheng1, SI Shubin3,4

(1Sports Department, Northwestern Polytechnical University;2Hospital of Northwestern Polytechnical University;3School of Mechanical Engineering, Northwestern Polytechnical University,4Key Laboratory of Industrial Engineering and Intelligent Manufacturing (Ministry of Industry and Information Technology), Xi’an 710072, China)

Depression is a public health problem that needs to be solved urgently in modern society, and prevention is one of the most effective ways to deal with this problem. The key of successful prevention is to accurately identify potential depression patients, capture warning signals indicating the state transition, and take preventive actions timely. Depression is a network composed of multiple symptoms interacting with each other. The structural and dynamic features of this network can provide new theoretical perspectives and measurable indicators for the occurrence and evolution of depression. Starting from the key issue of predicting the occurrence and changes of depression, this paper discusses the relationship between symptom networks and depression from a theoretical perspective, and further examines the performance of structural features and critical phenomena-related indicators of depression symptom networks in predicting depression onset and mutations. To increase the accuracy of early warning signals in predicting depression, future studies should construct more comprehensive networks, and optimize the method of determining depression states by using composite or machine learning based warning indictors.

network, transition of depression, prediction, critical phenomenon, early warning signals

2022-10-26

* 國家自然科學基金(72171193)、西北工業(yè)大學特色文科發(fā)展計劃——青年創(chuàng)新能力培養(yǎng)項目(23GH030635)、西北工業(yè)大學教育教學改革研究項目(23GZ13163)資助。

席敏, E-mail: ximin86269@nwpu.edu.cn

R395