De Relatie Tussen Neuroticisme en Depressie
in het Netwerkmodel
Milou Wattel
Universiteit van Amsterdam
Datum: 27 mei 2016
Begeleider: Claudia van Borkulo Aantal woorden: 4506
Abstract: 121
ABSTRACT
De relatie tussen de persoonlijkheidstrek neuroticisme en een depressiestoornis werd onderzocht aan de hand van een netwerkmodel bij 17 participanten. Verondersteld werd dat hoog-neuroten een hogere connectiviteit in het depressienetwerk zouden laten zien dan laag-neuroten. Alle participanten werd gevraagd een persoonlijkheidstest in te vullen en
vervolgens 15 dagen lang 7 depressievragen per dag te beantwoorden. Op basis van de persoonlijkheidstest zijn twee groepen gemaakt; hoog-neuroten en laag-neuroten. Vervolgens zijn er twee depressienetwerken geschat. Onderzocht werd of de connectiviteit binnen het netwerk van de hoog-neuroten hoger lag dan bij de laag-neuroten. Uit de resultaten bleek dat de connectiviteit van het depressienetwerk van de hoog-neuroten hoger lag dan bij de laag-neuroten. Geconcludeerd werd dat hoog-neuroten sterker verbonden symptomen bezitten in het depressienetwerk.
INLEIDING
Depressies leveren een significante negatieve bijdrage aan de wereldwijde algemene gezondheid en treffen mensen van alle leeftijden, culturen en achtergronden. Op dit moment lijden er naar schatting 350 miljoen mensen aan een Major Depression (MD) (WHO, 2013). Een depressie is een veel voorkomende mentale stoornis die zich kenmerkt door een
neerslachtige gemoedstoestand, verlies van plezier, verminderde energie, gevoelens van schuld, een laag zelfbeeld, een verstoord slaappatroon, verminderde eetlust en verminderde concentratie. Bovendien brengt een depressie in vrijwel alle gevallen ook angstgevoelens mee (DSM-5, 2014). Een depressie kan eenmalig, terugkerend of chronisch zijn. In het ergste geval kan een depressie leiden tot zelfmoord. Per dag plegen naar schatting 3000 mensen wereldwijd zelfmoord als gevolg van een MD (WHO, 2012).
Uit het onderzoek van Üstün, Ayuso-Mateos, Chatterji, Mathers en Murray (2004) blijkt dat 4.4% van alle DALY’s (disability-adjusted life-years) veroorzaakt worden door een depressiestoornis. DALY’s staan voor jaren waarin iemand niet heeft kunnen werken of met aanpassingen heeft moeten werken door een stoornis. De depressiestoornis is daarmee de belangrijkste oorzaak van arbeidsongeschiktheid wereldwijd (Üstün et al., 2004; WHO, 2010). Een depressiestoornis is daarom niet alleen schadelijk voor het het individu, maar ook voor de samenleving.
Het is nog onzeker waardoor een depressie exact ontstaat. Er lijken zowel biologische, sociale als psychologische aspecten een belangrijke rol te spelen (Blazer & Hybels, 2005). Op biologisch vlak is aangetoond dat een depressiestoornis een genetische basis kan hebben; het replicatieonderzoek van Kendler, Kuhn, Vittum, Prescott, en Riley (2005) suggereert dat met name de moderatie van een variant van de serotoninetransporteur van het 5-HTT gen door stressvolle levensgebeurtenissen een cruciale rol speelt. Wat het sociale aspect betreft, is de kans op het ontwikkelen van een depressiestoornis groter als de patiënt geen of weinig sociale steun ervaart, een traumatische ervaring heeft gehad of een lage sociaaleconomische status heeft (Kraaij, Arensman, & Spinhoven, 2002). Op
psychologisch vlak lijken er weer andere aspecten een rol te spelen bij de kans op het
ontwikkelen van een depressie: waaronder bepaalde persoonlijkheidskenmerken, gebrek aan emotionele controle en zelfredzaamheid en bepaalde persoonlijkheidstrekken (Blazer & Hybels, 2005).
Een van deze bepalende persoonlijkheidstrekken lijkt neuroticisme te zijn (Kendler, Kuhn & Prescott, 2004). Neuroticisme is één van de Big Five persoonlijkheidsdimensies. De andere vier dimensies zijn openheid, mildheid, extraversie en ordelijkheid (Gosling,
Neuroticisme is een persoonlijkheidsdimensie die het beste beschreven kan worden als het domein dat emotionele stabiliteit tegenover emotionele labiliteit stelt. Een individu dat hoog op neuroticisme scoort, ervaart relatief vaker angst of andere negatieve gevoelens. Hij maakt zich relatief meer zorgen, piekert regelmatig en voelt zich in vergelijking met anderen vaak ongelukkig of onveilig. Neuroten ervaren en uiten eerder dan anderen hun negatieve gevoelens, zoals woede, frustratie, somberheid, schaamte of schuld (NEO-PI-R handleiding, 1992).
Individuen die laag scoren op neuroticisme zijn over het algemeen emotioneel stabiel en moeilijk uit het lood te staan. Ze hebben een gelijkmatig humeur, zijn kalm en ontspannen en benaderen stressvolle situaties rustig. Ze kunnen negatieve gevoelens relatief makkelijk van zich af laten glijden en zijn er niet langdurig door aangedaan. Ook zij ervaren
vanzelfsprekend negatieve gevoelens, maar houden zich er minder lang mee bezig. (NEO-PI-R handleiding, 1992).
Het verband tussen een hoge score op neuroticisme en een hoger risico op het ontwikkelen van een depressie is in talloze studies aangetoond (o.a. Kendler, Kuhn & Prescott, 2004). De vraag rijst echter waarom neuroten gevoeliger zijn voor depressies. Hier heeft de wetenschap nog geen eenduidig antwoord op (Barn-Hofer & Chittka, 2010; Paulus, Vanwoerden, Norton & Sharp, 2016). Volgens het onderzoek van Paulus et al. (2016) zijn er twee mechanismen die het verband tussen neuroticisme en depressie zouden kunnen
verklaren. Beide hebben te maken met het niet goed in contact staan met het eigen
gevoelsleven en met het onvoldoende kunnen reguleren van emoties. Hieronder zullen deze twee verklaringen kort worden toegelicht.
De eerste mogelijke verklaring voor het verband tussen neuroticisme en depressie hangt samen met de persoonlijkheidseigenschap psychologische inflexibiliteit; deze
Reijntjes, 2008). Die eigenschap uit zich in de neiging om emoties op een zeer rigide en inflexibele manier te controleren wanneer plotseling een negatieve emotie opkomt of situatie ontstaat. Het individu is bang voor de oncontroleerbare emoties die hij of zij ervaart en probeert deze angst te verminderen door extreme controle uit te oefenen over alle innerlijke ervaringen. Dit heeft paradoxaal genoeg als effect dat de betrokkene zich nog angstiger en gestrester voelt (Wenzlaff & Wegner, 2000). Uit onderzoek (Paulus et al., 2016) blijkt dat mensen die dit gedrag vertonen minder goed met hun emoties in contact staan en vaker dan gemiddeld angst en neerslachtigheid ervaren. Hierdoor is bij hen de kans op een depressie groter.
Een tweede mogelijke verklaring voor de neuroticisme/depressie relatie is emotie-regulatie (Paulus et al., 2016). Er bestaan verschillende definities van het construct, maar de meest gangbare definitie stelt dat emotie-regulatie het vermogen is om zowel positieve als negatieve emoties te differentiëren en te ervaren, en het vermogen om sterke emoties te reguleren (Gratz & Roemer, 2004). In het artikel van Paulus et al. (2016) wordt gesteld dat emotie-regulatie uit vier belangrijke componenten bestaat, namelijk 1) bewustwording en begrip van emoties, 2) acceptatie van emoties, 3) inhiberen van impulsieve reacties en 4) gebruik van gepaste emotie-regulatie strategieën. Men kan spreken van emotie-disregulatie als een of meer van deze componenten ontbreken of gebrekkig zijn ontwikkeld.
Onderzoek van Hofmann et al. (2012) laat zien dat een depressie mede veroorzaakt wordt door disregulatie. Eerder onderzoek heeft aangetoond dat bepaalde emotie-regulatie strategieën (zoals rumineren en onderdrukken) het effect van neuroticisme en depressie medieert bij kinderen en volwassenen (Broeren et al., 2011). Het lijkt erop dat het vermogen om flexibel te denken (dus gevoelens niet te ontwijken) en emoties te reguleren bijdraagt aan het adaptief omgaan met neuroticisme, en het voorkomen van ernstiger depressieve symptomen (Paulus et al., 2016).
Het verband tussen neuroticisme en depressie is in de huidige literatuur voornamelijk aangetoond door gebruik te maken van het latente variabelen model. Dit model is momenteel het meest gebruikte paradigma in de Westerse geneeskunde voor de verklaring van
stoornissen (Hyland, 2011 aangehaald in Borsboom & Cramer, 2013). Dit model gaat er vanuit dat symptomen van een stoornis ontstaan door één onderliggende oorzaak, namelijk de stoornis (Borsboom & Cramer, 2013). Een voorbeeld vanuit de medische hoek kan dit
verduidelijken: als een patiënt met Chronic Obstructive Pulmonary Disease (COPD) last heeft van symptomen zoals kortademigheid, ontstekingen van de longen en hoesten, wordt verondersteld dat deze symptomen worden veroorzaakt door COPD en niet (mede) door andere oorzaken. Op basis van die gedachte wordt ook de samenhang en gelijktijdigheid van depressiesymptomen verklaard; depressiesymptomen hangen sterk samen omdat ze
veroorzaakt worden door dezelfde stoornis, namelijk ‘depressie’.
Hoewel het ‘latente variabelen model’ op dit moment het meest gebruikte paradigma is, is het voor psychologisch onderzoek problematisch gebleken (Borsboom & Cramer, 2013). Psychologische stoornissen blijken namelijk niet steeds te kunnen worden teruggevoerd op slechts één onderliggende latente variabele (Kendler, 2005). Er is geprobeerd psychologische stoornissen terug te brengen tot simplistische modellen vergelijkbaar met modellen in de geneeskunde, maar psychologische symptomen hebben allerlei oorzaken, niet alleen de stoornis zelf (Borsboom & Cramer, 2015). Bovendien blijkt ook in de geneeskunde dat symptomen en de daarbij passende medische aandoening niet altijd samengaan. Het is bijvoorbeeld mogelijk een beginstadium van longkanker te hebben, zonder last te hebben van symptomen. De assumptie dat dit ook mogelijk is in de
psychopathologie moet worden verworpen. Het is bijvoorbeeld niet mogelijk een lichte depressie te hebben zonder depressieve gevoelens te ervaren. Een psychologische ziekte zoals bijvoorbeeld schizofrenie is niet onafhankelijk van de bijbehorende symptomen te
diagnosticeren, terwijl dit wel mogelijk is bij ziekten zoals een breintumor of het syndroom van Down (Borsboom & Cramer, 2013).
Maar het is vanuit wetenschappelijk oogpunt lastig om een ander model te gebruiken dan het latente variabelen model, omdat ook alle statistische toetsen ook gebaseerd zijn op dit model. Het idee achter gebruikelijke statistische psychologische toetsen is dat er een aantal manifeste variabelen (symptomen van een depressie) gerelateerd zijn aan een aantal latente variabelen (de depressie) (Borsboom, 2008). Een nieuw paradigma zou dus niet alleen een andere theoretische basis moeten hebben, maar ook een nieuwe statistische grondslag. Gelukkig is recent een alternatief ontwikkeld dat voldoet aan deze twee belangrijke voorwaarden, namelijk het netwerkmodel.
Volgens het netwerkmodel opereert een stoornis als een systeem of netwerk, en wordt het niet veroorzaakt door een onderliggend ziektebeeld (Bringmann et al., 2013). Een
netwerk bestaat uit knopen en verbindingen. De knopen representeren de variabelen waarin de onderzoeker geïnteresseerd is, bijvoorbeeld de symptomen van een depressiestoornis. In een netwerkweergave zijn deze variabelen meestal afgebeeld als cirkels. De verbindingen zijn de lijnen die de knopen met elkaar verbinden.
De lijnen geven aan dat er een relatie bestaat tussen de knopen, en de dikte ervan de sterkte van die relatie (Borsboom & Cramer, 2013). Deze relatie kan van alles zijn; de lijn geeft slechts aan dat er een verbinding bestaat. Voorbeelden van een dergelijke verbinding kunnen correlationeel, remmend of juist versterkend zijn. Zie Figuur 1 voor een visuele weergave van een depressienetwerk.
Figuur 1. Een depressienetwerk (Borsboom & Cramer,
Het netwerkmodel gaat er niet alleen vanuit dat er niet één onderliggende oorzaak is van stoornissen, maar houdt ook rekening met de causale relaties tussen psychopathologische symptomen (Borsboom & Cramer, 2013). Volgens dit model interacteren en versterken symptomen elkaar en zichzelf. Uitgaande van dit gegeven, is een depressiestoornis niet meer nodig om de samenhang tussen depressiesymptomen te verklaren. Symptomen correleren met elkaar omdat ze deel uitmaken van hetzelfde causale systeem. In andere woorden betekent dit dat een verminderde eetlust en gewichtsverlies niet correleren omdat ze beide worden
veroorzaakt door dezelfde stoornis, maar omdat ze causaal gerelateerd zijn; verminderde eetlust leidt tot gewichtsverlies. Door de netwerkbenadering kan de complexiteit van psychologische stoornissen behouden worden en wordt deze recht gedaan (Kendler et al. 2011).
Niet alleen voor de theorie, maar ook voor de praktijk heeft het netwerkmodel belangrijke gevolgen. De focus tijdens een behandeling zal niet langer liggen op het vinden van de onderliggende stoornis; in plaats daarvan zullen behandelingen zich richten op de symptomen zelf of de causale connectie tussen de symptomen.
Het netwerkmodel is meer malen succesvol gebruikt om de relatie tussen de symptomen van een depressie aan te tonen (Borkulo, Boschloo, Borsboom, Penninx, Waldorp & Schoevers, 2015; Borsboom & Cramer, 2015; Bringmann et al., 2013). Met het netwerkmodel valt niet alleen vast te stellen dat er een verbinding bestaat tussen een MD en neuroticisme, maar ook hoe deze relatie tot stand komt (Borsboom & Cramer, 2013).
Naar de relatie tussen neuroticisme en depressie is minder onderzoek gedaan, terwijl dit wel waardevol kan bijdragen aan de verklaringen voor het ontstaan van depressies. In dit paper zal een poging gedaan worden om de relatie tussen neuroticisme en depressie, die al is aangetoond met het latente variabelen model, ook te verklaren aan de hand van het
Zoals eerder genoemd bestaat een netwerk uit knopen en verbindingslijnen. Op basis van de onderzoeksresultaten die verkregen zijn door middel van het latente-variabelenmodel kan de hypothese geformuleerd worden dat mensen die hoog scoren op neuroticisme ook een hogere kans hebben op het ontwikkelen van een depressie. Naar verwachting uit zich dit in een hogere connectiviteit (oftewel een hogere temporele associaties, te zien als dikkere lijn) tussen de knopen van een netwerk.
METHODE
Proefpersonen
Aan dit onderzoek hebben 60 participanten deelgenomen die het Informed Consent (IC)-formulier hebben ingevuld en Qumi hebben geïnstalleerd (zie Appendix). Uit deze groep van 60 participanten zijn 17 geschikte datasets voortgekomen. Deze participanten hadden een gemiddelde leeftijd van 25, 2 jaar met een standaarddeviatie van 11, 4 jaar. De man/vrouw-verdeling betrof 14 vrouwen en 3 mannen. De overige 43 participanten bleken om diverse redenen geen geschikte datasets te hebben. 27 participanten van deze groep voldeden niet aan het inclusiecriterium; ten minste 5 oproepen per dag correct invullen, gedurende 10
achtereenvolgende dagen. 8 participanten zijn uitgevallen door technische problemen met Qumi. Tot slot zijn 8 mensen geëxcludeerd vanwege een fouten in de databestanden die ontstaan zijn tijdens het opslaan.
Materialen
Dit onderzoek maakt deel uit van het onderzoeksprogramma Depressienetwerken Bachelorproject UvA 2016. Dit onderzoeksprogramma bestaat uit 8 verschillende
participanten meerdere vragenlijsten ingevuld, waarvan in het hier besproken onderzoek maar een deel zal worden geanalyseerd. De vragenlijst bestond uit een voormeting en herhaalde metingen.
• Voormeting
De voormeting voor dit onderzoek bestond uit de Neo Five-Factor Inventory (NEO-FFI) persoonlijkheidstest. Alleen de tien vragen over het domein N3 (neuroticisme) zijn gesteld. De NEO-FFI is een verkorte versie van de Revised NEO Personality Inventory (NEO-PI-R) en geeft een persoonlijkheidsscore op basis van de Big Five
persoonlijkheidskenmerken. Neuroticisme kent vijf subdomeinen; depressie, kwetsbaarheid, ergernis, schaamte en angst. Per subdomein worden twee vragen gesteld. De participanten konden op een 5 punts-Likertschaal aangeven in hoeverre zij de voorgelegde uitspraak op henzelf van toepassing achtten (helemaal niet mee eens/0 – helemaal mee eens/4).
Voorbeelden van gestelde vragen zijn ‘Ik voel me vaak gespannen en zenuwachtig’ en ‘Ik voel me zelden angstig of zorgelijk’.
• Herhaalde metingen
Vervolgens is aan de participanten gevraagd om gedurende 15 dagen 7 keer per dag een korte depressievragenlijst in te vullen, bestaande uit 11 vragen waarvan er in dit
onderzoek 8 zijn geanalyseerd. Het invullen van een depressievragenlijst duurde gemiddeld 2 minuten per afname. Deze korte depressievragenlijst is speciaal samengesteld voor het onderzoeksprogramma Depressienetwerken Bachelorproject UvA 2016. De vragen zijn gebaseerd op de depressiesymptomen in de DSM-V (DSM-V, 2014). Per vraag konden de participanten op een 5 punts-Likertschaal aangeven in hoeverre een aan hen voorgelegde
stelling op hen van toepassing was (heel weinig/1 – heel veel/5). Voorbeelden van voorgelegde stellingen zijn ‘Ik voel me somber’ en ‘Ik heb eetlust’.
• Qumi applicatie
Zowel de voormeting als de herhaalde metingen zijn uitgevoerd middels de applicatie Qumi, ontwikkeld door Bas Oppenheim. Daarvoor moesten de deelnemers in het bezit zijn van een iPhone of een iPod Touch, want tot op heden is Qumi alleen verkrijgbaar in Tesflight, een applicatie die gelinkt is aan de Apple store. Tijdens het installeren van Qumi konden de deelnemers aangeven tussen welke twee tijdstippen de herhaalde vragenlijst mocht worden aangeboden. Qumi bepaalde op basis van een logaritme wanneer een oproep werd gedaan. Na twintig minuten verviel de melding en had de participant een meting gemist. Er is gekozen voor een timeframe van twintig minuten en niet langer, omdat er anders een kans bestaat dat er geen representatief netwerk gegenereerd wordt. Het is de bedoeling dat de deelnemers verspreid over de dag aangeven hoe zij zich voelen op een bepaald moment. Als een deelnemer langer dan twintig minuten wacht met het maken van de vragenlijst geeft dit een vertekend beeld. In dat geval zitten de metingen te dicht op elkaar en kan het netwerk niet goed worden geschat.
Procedure
Participanten zijn via verschillende wegen benaderd om mee te doen aan het
onderzoek. Een deel van de participanten is via het LAB-instituut geworven; dit waren veelal studenten die voor deelname aan het onderzoek 6 proefpersoonpunten konden ontvangen. Verder zijn verschillende oproepen op social media gedaan en zijn mensen uit de
persoonlijke kennissenkring benaderd. Participanten die niet studeerden, kregen geen beloning voor deelname. Nadat een participant had aangegeven geïnteresseerd te zijn in
deelname, ontving hij/zij een e-mail met daarin het IC-formulier dat digitaal ondertekend kon worden. Als dit op tijd ondertekend was ontving de participant een tweede e-mail met daarin de benodigde gegevens om de Qumi applicatie te downloaden. De participant kon vervolgens de app eenvoudig installeren op de iPhone en beginnen aan het onderzoek. De eerste oproep van Qumi bestond uit een langere vragenlijst, de voormeting. Vervolgens is gedurende 15 dagen 7 keer per dag aan de participant gevraagd om de korte herhaalde depressievragenlijst in te vullen. De participanten werden gestimuleerd om na elke twee dagen hun verzamelde data naar het e-mailadres van het onderzoeksprogramma op te sturen. Aan het einde van de periode van dataverzameling is aan de participanten gevraagd om voor een laatste keer de verzamelde data door te sturen. Vervolgens konden de participanten Qumi zelf verwijderen van de mobiele telefoon.
Data-Analyse
Op basis van de verzamelde data zullen twee groepen worden gemaakt; de eerste groep zal bestaan uit participanten die hoog hebben gescoord op het N3 (neuroticisme) domein, en de tweede groep uit mensen die hier laag op gescoord hebben. De cut-off score zal liggen op een totaal van 24 punten; alle participanten die hoger dan of gelijk aan 24 punten hebben gescoord op de NEO-FFI vallen binnen de groep van hoog-neuroten, alle participanten die onder de 24 punten hebben gescoord zullen worden ingedeeld in de groep met laag-neuroten (Butcher, 2009).
De netwerken zullen worden geschat door middel van multi-level VAR-modellen (Bringmann et al., 2013). Multi-level VAR-modellen zijn vector-autoregressiemodellen die in het programma R-studio kunnen worden geïmplementeerd via het package mlVAR
op basis van time-lagged (lag-1) regressies. Of een verbinding significant is wordt getoetst aan de hand van een significantieniveau (α) van .05.
Elke variabele wordt geregresseerd op alle variabelen op het vorige tijdstip. Op basis van die gegevens wordt per individu een netwerk geschat. Het gemiddelde van de
connectiesterktes van al deze individuele netwerken samen is het zogenaamde
populatienetwerk. Op die manier wordt een within-subject design (individueel netwerk) met een between-subject design gecombineerd (connectiesterkte groep).
Om aan te tonen welke symptomen een activerende en/of centrale rol hebben binnen een netwerk, kunnen centraliteitsmaten worden gebruikt: betweenness, closeness en de in- en out strength van een netwerk (Borkulo et al., 2015). Betweenness is een maat die aangeeft in hoeverre een knoop als brug tussen de andere delen van het netwerk fungeert en in welke mate de knoop controle heeft over de informatieverspreiding binnen het netwerk (Boccaletti, Latora, Moreno, Chavez & Hwang, 2006). Closeness is een maat die zich richt op de globale structuur van het netwerk; deze maat geeft aan hoe dicht de knoop op andere knopen staat (Borkulo et al., 2015). Tot slot is de in- en out strength van een netwerk de gewogen som van de verbindingen van alle individuele knopen. Deze maat houdt geen rekening met de globale structuur van het netwerk (Opsahl, Agneessens & Skvoretz, 2010).
RESULTATEN
Standaardisatietesten
Om de gelijkheid tussen de groepen te waarborgen qua leeftijd, opleiding en geslacht zijn een aantal standaardisatietesten gedaan. Deze testen controleren of de groepen ter zake van de genoemde criteria vergelijkbaar zijn. Voor alle standaardisatietesten is een
Voor de standaardisatietest voor leeftijd is eerst de Fisher’s F-test gedaan om de homoscedasticiteit van de data te controleren. Uit die test bleek dat geen significant verschil tussen de groepen bestond F(5, 10) = 0.56422, p = 0.4125, 95% BI [0.09, 2.39]. Vervolgens is een Two-Sample T-test uitgevoerd. Uit deze test kwam naar voren dat de gemiddelde leeftijd in de groep die laag hadden gescoord op neuroticisme lager lag (M = 23.7, SE = 3.11) dan in de groep die hier hoog op had gescoord (M = 27.8, SE = 5.61). Dit verschil, 95% BI [-16.6, 8.42], was niet significant t(15) = -0.7, p = 0.4954.
Als tweede standaardisatiecheck is er gekozen om te controleren of het aantal mannen en vrouwen gelijk was in beide groepen. Door het 2 x 2 design is er gekozen voor de
Pearson's Chi-squared test with Yates' continuity correction. Uit deze test bleek dat er geen significante associatie was tussen sekse en groep χ2 (1) = 0.55, p = 0.457.
Tot slot is gekeken of het opleidingsniveau gelijk verdeeld was over de groepen. Uit de Pearson's Chi-squared test bleek dat er een significante associatie was tussen opleiding en groep χ2 (3) = 9.74, p = 0.02. Het educatieniveau van de hoog-neuroten lag significant hoger dan het educatieniveau van de laag-neuroten.
Netwerkschatting & Analyse
Aan de hand van een Two-Sample T-test en de absolute sterktes van de temporele associaties is vastgesteld of de netwerken significant van elkaar verschilden. Uit de resultaten bleek dat de connectiviteit binnen het netwerk van de laag-neuroten lager lag (M = 0.14, SE = 0.02) dan van het netwerk van de hoog-neuroten (M =0.22, SE = 0.03). Dit verschil, 95% BI [0.006, 0.156], was significant t(30) = 2.214, p = 0.035. Voor een visuele weergave van de netwerken, zie Figuur 2. Alleen de significante temporele associaties zijn weergegeven.
Uit Figuur 2. kunnen een aantal algemene uitspraken worden gedaan wat betreft de interactie tussen de depressiesymptomen. Ten eerste is het opvallend dat in het netwerk van
de hoog-neuroten dikke groene autoregressie-lijnen te zien zijn bij de variabelen ‘Boos’ en ‘Moe’. Dit betekent dat huidige gevoelens van boosheid en moeheid toekomstige gevoelens van boosheid en moeheid kunnen voorspellen. In andere woorden: als de participant op het eerste meetmoment van de dag boos is, dan is de kans groot dat hij dit op het tweede meetmoment van de dag ook is.
Ten tweede is er wat betreft de richting van de lijnen ook een opvallende relatie te zien tussen ‘Stress’ en ‘Eetlust’ in het netwerk van de hoog-neuroten. Deze associatie is afwezig in het netwerk van de laag-neuroten. Dit betekent dat bij hoog-neuroten gevoelens van stress de eetlust opwekken.
Figuur 2. Links het netwerk van de hoog-neuroten (n=6) en rechts het netwerk van de laag-neuroten (n=11). De knopen representeren de
depressiesymptomen. De groene lijnen indiceren een positief effect, de rode lijnen een negatief effect. De dikte van de lijn geeft de sterke van de temporele associatie weer.
Centraliteitsmaten
De resultaten zijn verder geanalyseerd aan de hand van drie centraliteitsmaten. Met centraliteitsmaten kunnen de verschillen in connectiviteit van de netwerken goed in beeld worden gebracht. Per centraliteitsmaat zijn de twee netwerken tegenover elkaar gezet. In Figuur 3 zijn centraliteitsmaten te zien van de hoog-neuroten en laag-neuroten.
Op het gebied van betweenness is er een verschil te zien tussen de hoog- en laag-neuroten. De variabele ‘Stress’ heeft in het netwerk van de hoog-neuroten een van de hoogste waardes (1.24) terwijl het de laagste waarde heeft in het netwerk van de laag-neuroten (-1.11). Dit betekent dat stress een belangrijke brugfunctie inneemt in het netwerk van de hoog-neuroten, maar juist niet bij de laag-neuroten. Naast stress blijkt ook boosheid
belangrijk te zijn voor de informatieverspreiding in het netwerk van de hoog-neuroten. Stress en boosheid vormen dus een brug tussen de andere depressiesymptomen in het netwerk van de hoog-neuroten.
De centraliteitsmaat closeness geeft helaas weinig informatie in beide netwerken. Dit komt doordat de knopen te ver uit elkaar liggen om deze centraliteitsmaat te kunnen
berekenen (Opsahl, 2010).
De in-strength van het netwerk van de laag-neuroten lijkt over het algemeen laag, met als uitschieter de variabele somberheid. Dit betekent dat deze knoop relatief veel en hoog inkomende temporele associaties heeft met andere knopen in het netwerk. In andere woorden: relatief veel depressiesymptomen zorgen voor somberheid. Bij de hoog-neuroten lijkt stress juist de variabele te zijn die het meest wordt ‘aangestoken’ door de rest van de
depressiesymptomen.
De out-strength van beide netwerken is zeer verschillend per variabele. Voor de hoog-neuroten springen er 2 variabelen uit; ‘Moe’ en ‘Boos’. Dit betekent dat deze variabelen zorgen voor veel uitgaande connectiviteit in het netwerk; moeheid en boosheid versterken
relatief veel andere depressiesymptomen. Voor de laag-neuroten springen er twee andere knopen uit: ‘Stress’ en ‘Concentratie’. Ook voor deze variabelen geldt eveneens dat ze relatief gemakkelijk andere variabelen in het depressienetwerk activeren.
Figuur 3a. De centraliteitsmaten van de hoog-neuroten (n = 11)
DISCUSSIE & CONCLUSIE
Op basis van eerder onderzoek is de hypothese geformuleerd dat mensen die hoog scoren op neuroticisme een hogere connectiviteit (temporele associatie) hebben in hun depressienetwerk dan met mensen die laag op neuroticisme scoren. De gevonden resultaten zijn in lijn met deze hypothese. Uit de geschatte netwerken bleek dat de hoog-neuroten sterkere temporele associaties vertoonden in het depressienetwerk dan de laag-neuroten.
De belangrijkste implicatie van de gevonden resultaten is dat er op basis van de netwerken een verklaring gevonden kan worden voor belangrijke gedragskenmerken van hoog-neuroten. Er kan met een netwerk wetenschappelijk worden vastgesteld welk gedrag typerend is voor hoog-neuroten, en niet slechts door observaties van gedrag.
Voorbeelden hiervan zijn de auto-regressielijnen van het netwerk van de hoog-neuroten. Het depressiesymptoom boosheid heeft een sterke temporele associatie, terwijl deze afwezig is in het netwerk van de laag-neuroten. Als hoog-neuroten boos zijn op een bepaald moment van de dag is de kans zeer groot dat ze dat op later moment op die dag nog steeds zijn. Dit bevestigt de theorie dat hoog-neuroten langer last houden van negatieve gevoelens en deze moeilijk los kunnen laten in vergelijking met laag-neuroten. Dit is in lijn met eerder gevonden onderzoek wat betreft de gedragskenmerken van hoog-neuroten (NEO-PI-R handleiding, 1992).
Een ander voorbeeld is de relatief sterke verbinding tussen ‘Stress’ en ‘Eetlust’ in het netwerk van de hoog-neuroten. Deze verbinding is geheel afwezig bij de laag-neuroten. Dit zou kunnen impliceren dat hoog-neuroten eerder last hebben van stress eating dan laag-neuroten. Dit lijkt ook in overeenstemming te zijn met eerder onderzoek naar neuroticisme en eetgewoontes (Gibson, 2006; Heaven, Mulligan, Merrilees, Woods & Fairooz, 2001).
In de centraliteitsmaten bieden vergelijkbare steun aan de hypothese. De
brugfunctie inneemt, terwijl stress bij de laag-neuroten juist een lage betweenness-waarde heeft. Er kan met het netwerkmodel dus niet alleen zichtbaar gemaakt worden wat
kenmerkend gedrag is voor een hoog-neuroot, maar ook waarom een hoog-neuroot dit gedrag vertoond. De intrinsieke verschillen tussen hoog- en laag-neuroten lijken door het
netwerkmodel enigszins te worden blootgelegd.
Wat betreft de limitatie van de dit onderzoek bleek dat het opleidingsniveau in de groepen niet gelijk verdeeld was. Wellicht komt dit door een tekort aan deelnemers, of doordat de hoog-neuroten gemiddeld een paar jaar ouder waren. Maar sommige onderzoeken suggereren dat er een relatie bestaat tussen neuroticisme en academische prestaties
(Beckmann, Beckmann, Minbashian & Birney, 2013). Een hoger opleidingsniveau lijkt een beschermend effect te hebben tegen angst en depressie (Bjelland, Krokstad, Mykletun, Dahl, Tell, & Tambs, 2008).
Een tweede punt is het ontbreken van een toetsing van de psychometrische kwaliteit van de korte depressievragenlijst. De vragen zijn gebaseerd zijn op DSM-V criteria, maar aangepast om ze bruikbaar te maken voor de herhaalde metingen. Het is niet zeker of de validiteit van de vragenlijst voldoende is.
Ondanks deze beperkingen zijn de resultaten waardevol, omdat ze wel een globaal beeld geven van de relatie tussen neuroticisme en MD. Vervolgonderzoek zou de resultaten kunnen ondersteunen of juist weerleggen door een grotere onderzoekspopulatie te gebruiken en de korte depressievragenlijst te valideren.
De huidige bevindingen onderbouwen het netwerkmodel wetenschappelijk en bevestigen in het bijzonder de relatie tussen neuroticisme en depressie. Het netwerkmodel heeft niet alleen de gangbare theorie heeft bevestigd, maar heeft er ook belangrijke informatie aan kunnen toevoegen. Door middel van het netwerkmodel kan in de toekomst het verband tussen bepaalde persoonlijkheidseigenschappen en de gevoeligheid voor depressie
inzichtelijker worden gemaakt. Vervolgonderzoek is nodig, maar in de toekomst kan wellicht met het netwerkmodel gerichter individuele psychologische hulp worden geboden aan
patiënten met een depressie en een hoge score op de persoonlijkheidstrek neuroticisme
APPENDIX
Tabel 1. Toelichting bij uitval van de participanten.
Reden excluderen participanten & toelichting Aantal participanten Totaal aantal aanmeldingen participanten voor onderzoek 123
IC-formulier niet ondertekend 46
IC-formulier wel ondertekend 77
Start Qumi applicatie + IC ondertekend 60
Ongeschikte data door het niet hebben voldaan aan het inclusiecriterium
27 Ongeschikte data door technische problemen/fouten in Excel 16
LITERATUURLIJST
Barnhofer, T., Chittka, T., 2010. Cognitive reactivity mediates the relationship between neuroticism and depression. Behav. Res. Ther. 48 (4), 275–281.
Beckmann, N., Beckmann, J. F., Minbashian, A., & Birney, D. P. (2013). In the heat of the moment: On the effect of state neuroticism on task performance. Personality and Individual Differences, 54(3), 447-452.
Bjelland, I., Krokstad, S., Mykletun, A., Dahl, A. A., Tell, G. S., & Tambs, K. (2008). Does a higher educational level protect against anxiety and depression? The HUNT study. Social science & medicine, 66(6), 1334-1345.
Blazer, D. G., & Hybels, C. F. (2005). Origins of depression in later life.Psychological medicine, 35(09), 1241-1252.
Boccaletti, S., Latora, V., Moreno, Y., Chavez, M., & Hwang, D. U. (2006). Complex networks: Structure and dynamics. Physics reports, 424(4), 175-308.
Boelen, P.A., Reijntjes, A., 2008. Measuring experiential avoidance: reliability and validity of the Dutch 9-item Acceptance and Action Questionnaire (AAQ). J. Psychopathol. Behav. Assess. 30 (4), 241–251.
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. JAMA psychiatry, 72(12), 1219-1226.
Borsboom, D., & Cramer, A. O. (2013). Network analysis: an integrative approach to the structure of psychopathology. Annual review of clinical psychology, 9, 91-121.
Borsboom, D. (2008). Psychometric perspectives on diagnostic systems. Journal of Clinical Psychology, 64, 1089–1108.
Broeren, S., Muris, P., Bouwmeester, S., van der Heijden, K.B., Abee, A., 2011. The role of repetitive negative thoughts in the vulnerability for emotional problems in non-clinical children. J. Child. Fam. Stud. 20 (2), 135–148.
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. PloS one, 8(4), e60188.
Butcher, J. N. (Ed.). (2009). Oxford handbook of personality assessment. Oxford University Press, USA.)
Costa, P. T., & MacCrae, R. R. (1992). Revised NEO personality inventory (NEO PI-R) and NEO five-factor inventory (NEO FFI): Professional manual. Psychological
Assessment Resources.
Costa, P. T., & McCrae, R. R. (1992). Neo PI-R professional manual.
Gibson, E. L. (2006). Emotional influences on food choice: sensory, physiological and psychological pathways. Physiology & behavior, 89(1), 53-61.
Gosling, S. D., Rentfrow, P. J., & Swann, W. B. (2003). A very brief measure of the Big-Five personality domains. Journal of Research in personality, 37(6), 504-528.
Gallo, J. J., Anthony, J. C., & Muthen, B. O. (1994). Age differences in the symptoms of depression: A latent trait analysis. Journal of Gerontology, 49(6), P251-P264. Gratz, K. L., & Roemer, L. (2004). Multidimensional assessment of emotion regulation and
dysregulation: Development, factor structure, and initial validation of the difficulties in emotion regulation scale. Journal of psychopathology and behavioral
Heaven, P. C., Mulligan, K., Merrilees, R., Woods, T., & Fairooz, Y. (2001). Neuroticism and conscientiousness as predictors of emotional, external, and restrained eating behaviors. International Journal of Eating Disorders, 30(2), 161-166.
Hofmann, S.G., Sawyer, A.T., Fang, A., Asnaani, A., 2012. Emotion dysregulation model of mood and anxiety disorders. Depression Anxiety 29 (5), 409–416.
Hyland ME. 2011. The Origins of Health and Disease. Cambridge, UK: Cambridge Univ. Press.
Kendler KS. 2005a. Toward a philosophical structure for psychiatry. Am. J. Psychiatry 162:433–40
Kendler, K. S., Kuhn, J. W., Vittum, J., Prescott, C. A., & Riley, B. (2005). The interaction of stressful life events and a serotonin transporter polymorphism in the prediction of episodes of major depression: a replication. Archives of general psychiatry, 62(5), 529-535.
Kendler, K. S., Kuhn, J., & Prescott, C. A. (2004). The interrelationship of neuroticism, sex, and stressful life events in the prediction of episodes of major depression. American Journal of Psychiatry.
Kendler KS. 2012. The dappled nature of causes of psychiatric illness: replacing the organic-functional/hardware-software dichotomy with empirically based pluralism. Mol. Psychiatry 17:377–88.
Keller MC, Neale MC, Kendler KS. 2007. Association of different adverse life events with distinct patterns of depressive symptoms. Am. J. Psychiatry 164:1521–29
Kraaij, V., Arensman, E., & Spinhoven, P. (2002). Negative life events and depression in elderly persons a meta-analysis. The Journals of Gerontology Series B: Psychological Sciences and Social Sciences, 57(1), P87-P94.
Marcus, M., Yasamy, T., Ommeren van, M., Chisholm, D., Saxena, S. (2010) Depression, A Global Public Health Concern. WHO Department of Mental Health and Substance Abuse.
Nolen-Hoeksema, S., & Girgus, J. S. (1994). The emergence of gender differences in depression during adolescence. Psychological bulletin, 115(3), 424.
Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245-251.
Opsahl, T. (2010). Closeness centrality in networks with disconnected components. Paulus, D. J., Vanwoerden, S., Norton, P. J., & Sharp, C. (2016). Emotion dysregulation,
psychological inflexibility, and shame as explanatory factors between neuroticism and depression. Journal of affective disorders, 190, 376-385.
Üstün, T. B., Ayuso-Mateos, J. L., Chatterji, S., Mathers, C., & Murray, C. J. (2004). Global burden of depressive disorders in the year 2000. The British journal of psychiatry, 184(5), 386-392.
Wenzlaff, R. M., & Wegner, D. M. (2000). Thought suppression. Annual review of psychology, 51(1), 59-91.
