Netværksanalyse

Netværksanalyse set i relation til psykisk sygdom

En gruppe omkring den hollandske statistiker Daniel Borsboom har lanceret en netværksmodel for psykisk sygdom – og særligt illustreret den med depression-angst-komplekset. I følge dette synspunkt findes depression, men ikke som en sygdomsenhed. I stedet findes kun en række symptomer eller elementer (som også kan inkludere forskellige slags hjernefunktioner) som forårsager hinanden og gensidigt opretholder hinanden gennem feed-back-mekanismer.

Den herskende opfattelse
Den herskende opfattelse af psykisk sygdom er at der er tale om en tilstand, ganske vist med ukendt mekanisme, og som viser sig ved en række symptomer. Ved nogle tilstande, særligt de organiske tilstande, findes der en erkendt årsag til symptomerne, ved mange af de tilstande som benævnes som psykisk sygdom, har vi imidlertid ikke nogen kendt sygdomsentitet ud over selve symptomerne. Man har søgt ad forskellige veje, sidst ved paradigmet om hjernesygdom. Det er imidlertid ikke lykkedes at finde en hjernesygdom der skulle ligge bag eksempelvis depressive symptomer.

Netværksopfattelsen – kort
Et nyt paradigme har taget dette forhold ad notam og omdefinerer en række psykiatriske tilstande som et netværk af symptomer. Efter denne opfattelse er symptomerne ikke udtryk for en underliggende sygdomsentitet, men udgøre i sig selv sygdommen. Symptomerne fremkalder hinanden i et netværk, som også ved at nogle symptomer gensidigt  fremmer hinanden indebærer at netværkssystemet er selvopretholdende når først det er blevet aktiveret.

Forskning og litteratur
Denne opfattelse er udformet af en række psykologer og psykometrikere. En indføring kan fås i artiklen af Daniel Borsboom, og en lidt mere omfattende introduktion i artiklen af Daniel Borsboom og Cramer. Fried har gennemgået modeller der er en blanding af de to synspunkter (se nedenfor om kombinatinen af SEM- og GGM-modeller)

Statistisk set
Den statistiske model der ligger bag den gængse opfattelse er statistik med latente variable (Conformatorisk Faktoranalyse, CFA og Structural Equation Modeling, SEM). I sådanne modeller opereres med en latent faktor, svarende til det begreb der skal måles, og en række observerede indikatorer, svarende til registrerede symptomer, eller ved psykologiske målinger, svarende til spørgsmål i et spørgeskema. Selvom den bagvedliggende latente faktor ikke kan observeres direkte, fås information om den gennem de observerede items.

I sådanne modeller forudsættes det at den korrelation der er mellem items (symptomer, spørgsmål i spørgeskemaer) afspejler den bagvedliggende faktor, og at når man opstiller en målingsmodel der kobler items med latent faktor, så forsvinder korrelationen mellem items. Eller sagt på en anden måde, korrelationen er kun udtryk for at items måler samme latente variabel. Hvis der derudover er korrelation mellem items, anses det for et problem for modellen, som enten kan løses ved at ændre på de anvendte items, eller ved at tillade at enkelte korrelationer indgår i modellen.

Ved måling af netværk er situationen faktisk omvendt. Her forudsættes at der ikke er nogen fælles faktor bag de enkelte items, men kun korrelationer mellem disse items. Statistisk svarer det til GGM (xxx), også kendt som grafiske modeller. Der er imidlertid en del situationer hvor forudsætningen om ingen latent bagvedliggende variabel ikke rigtigt passer.

Derfor er der udviklet nogle modeller der både implicerer fælles latent faktor og (lokale) korrelationer mellem items. Dette er beskrevet i artiklen af Eskamp (?) et al., som dog er noget teknisk. Artiklen henviser også til statistiske metoder, baseret på sproget R, der kan anvendes til analyser af sådanne modeller.

Jan Ivanouw
16. juni 2017