Genetische en omgevingsfactoren in netwerkmodellen

Genetische en Omgevingsfactoren in Netwerkmodellen

Bachelorthese

Naam: Janna Dekker

Studentnummer: 10202781

Begeleiders: Lourens Waldorp en Claudia van Borkulo

Datum: 9 juli 2014

Abstract

De netwerkmodellentheorie is een veelbelovend alternatief voor de latente variabelentheorie binnen de psychologie. Een belangrijk vraagstuk binnen deze netwerkmodellentheorie blijft hoe genetische en omgevingsfactoren een rol spelen binnen een netwerk. In dit onderzoek wordt een nieuwe theorie gepresenteerd die stelt dat een combinatie van genetische en omgevingsfactoren zorgt dat de kans op het actief worden van een symptoom veranderd. Elk symptoom heeft een drempelwaarde die bepaald hoe gemakkelijk de kans op het actief worden veranderd. Als beginpunt binnen deze theorie wordt er gekeken of symptomen specifieke drempelwaardes hebben of dat ze allemaal gelijk zijn. Ook worden er suggesties gegeven voor vervolgonderzoek, waarin de

bevindingen van dit onderzoek meegenomen kunnen worden als toevoeging aan de nieuwe theorie.

Inleiding

Op dit moment is er een dominante, veel gebruikte theorie die beschrijft hoe een psychologisch construct het best gezien kan worden: de latente variabelentheorie (Cramer et al., 2012). Bij deze latente variabelentheorie wordt ervan uitgegaan dat er een niet observeerbaar construct is, een latente variabele, die allerlei onderliggende, observeerbare indicatoren veroorzaakt (Bringmann et al., 2013). In figuur 1 is het construct depressie de latente variabele en zijn de

symptomen de observeerbare indicatoren. De common cause hypothese is een belangrijke

hypothese binnen de latente variabelentheorie. Deze hypothese houdt in dat een latente variabele de enige is die de samenhang tussen de observeerbare indicatoren verklaart (Cramer, Waldorp, van der Maas, & Borsboom, 2010). Als de latente variabele goed past op de set indicatoren en er geen residuele variantie is, kan je spreken van lokale onafhankelijkheid tussen de indicatoren, wat inhoudt dat de latente variabele de observeerbare indicatoren volledig verklaart en er geen samenhang is tussen de indicatoren (Schmittmann et al., 2011).

Figuur 1

Figuur 1 geeft als voorbeeld van een latente variabelenmodel de relatie weer tussen depressie (Major Depression) en de observeerbare symptomen depr (depressieve stemming), inte (interesseverlies), weig (gewichtsproblemen), slee (slaapproblemen), moto (psychomotorische problemen), fati (vermoeidheid), repr (zelfverwijt), conc (concentratieproblemen) en suic (suïcidale gedachtevorming) . Overgenomen uit Borsboom en Cramer (2013).

Er zijn echter een aantal tekortkomingen binnen de latente variabelentheorie. Zo wordt er weinig succes behaald binnen de psychologische wetenschap als de latente variabelentheorie wordt toegepast (Schmittmann et al., 2011). Met weinig succes wordt bedoeld dat men eigenlijk nog geen idee heeft wat een latente variabele precies is, laat staan dat een latente variabele gemeten kan worden met een psychometrisch meetinstrument, ook al wordt deze theorie al lange tijd gebruikt en getoetst (Schmittmann et al., 2011). Ook is de causale interpretatie van een latente variabelenmodel

een lastig punt van de latente variabelentheorie (Schmittmann et al., 2011). Omdat symptomen volgens de latente variabelentheorie geen onderlinge relatie hebben is er ook geen sprake van een causale relatie tussen deze symptomen. Een causale relatie is een verband tussen symptomen waarbij een symptoom een ander symptoom veroorzaakt. Toch is het vaak zo dat als er bij een patiënt bepaalde symptomen aanwezig zijn, als gevolg hiervan ook andere symptomen zullen

verschijnen (Borsboom, Cramer, Schmittmann, Epskamp, & Waldorp, 2011). Zo is het bijvoorbeeld bij depressie intuïtief onjuist om te stellen dat symptomen elkaar niet beïnvloeden: als een individu last heeft van het symptoom slaapproblemen (slee) is het goed voor te stellen dat iemand door

slaapproblemen ook last krijgt van concentratieproblemen, een depressieve stemming en op den duur zelfs psychomotorische problemen. Volgens de latente variabelentheorie komt dit doordat het construct een hogere waarde krijgt en symptomen dit als een soort thermometers allemaal meten (Schmittmann et al., 2011). Deze thermometers hebben geen invloed op elkaar, ze meten alleen dezelfde verandering (Schmittmann et al., 2011). Door deze gedachte is er binnen de latente

variabelentheorie geen ruimte voor de causale relatie tussen de depressiesymptomen. In de praktijk is het echter bij veel psychologische constructen, waaronder depressie, waarschijnlijk dat er wel causale relaties bestaan tussen de symptomen (Schmittmann et al., 2011). Een andere tekortkoming van de latente variabelentheorie is dat, doordat latente variabelen alleen symptomen beïnvloeden en niet andersom, een construct blijft bestaan ook al zijn er geen symptomen meer (Borsboom & Cramer, 2013). Al wordt elk depressiesymptoom bestreden en verholpen dan hoeft dit niet te betekenen dat iemand niet meer depressief is (Borsboom & Cramer, 2013). Dit is een aanname die intuïtief niet klopt.

Een alternatief voor de latente variabelentheorie is de netwerkmodellentheorie. Bij een netwerkmodel zijn de indicatoren aan elkaar gekoppeld in de vorm van een netwerk en kunnen indicatoren elkaar beïnvloeden (Schmittmann et al., 2011). Een construct is een cluster van een groep indicatoren (e.g. symptomen) die met elkaar verbonden zijn (Cramer et al., 2010), zie figuur 2. De symptomen worden gezien als de ingrediënten van een mentale stoornis, niet als passieve receptoren van een latente variabele (Borsboom & Cramer, 2013). Binnen een netwerk zijn

symptomen weergegeven als knopen en een relatie tussen twee symptomen is weergegeven als een lijn tussen twee knopen (Cramer et al, 2010), zie figuur 2. Hoe vaak een symptoom voor komt is in de weergave van een netwerkmodel af te leiden door te kijken naar de plaats van het symptoom in het netwerk (Borsboom & Cramer, 2013). Hoe centraler het symptoom gelegen is, hoe vaker het symptoom voor komt, zie figuur 2 (Fruchterman & Reingold, 1991, aangehaald in Borsboom & Cramer, 2013). Hoe vaker twee symptomen samen voorkomen, hoe sterker de verbinding tussen twee symptomen en hoe dikker de lijn ertussen in de weergave van een netwerkmodel, zie figuur 2 (Cramer et al., 2010). Borsboom en Cramer (2013) suggereren in hun onderzoek dat mentale

stoornissen veroorzaakt worden door directe activering van symptomen in een stoornisnetwerk zoals bijvoorbeeld door een belangrijke gebeurtenis in het leven van een individu.

Bringmann et al. (2013) geven aan dat de netwerktheorie, in de korte tijd dat de theorie bestaat, al meer succes lijkt te hebben dan de latente variabelentheorie (Borsboom, 2008; Cramer et al., 2010; Borsboom et al., 2011; Schmittmann et al., 2011; Cramer, Borsboom, Aggen, & Kendler, 2012). Omdat een construct wordt gezien als een netwerk van alleen maar meetbare variabelen is het probleem van een latente variabele, waarvan niet duidelijk is wat dit precies is en hoe dit direct gemeten zou kunnen worden met een psychometrisch meetinstrument, opgelost (Schmittmann et al., 2011). Er hoeft bijvoorbeeld niet langer gezocht te worden naar het latente construct depressie, want als er naar alle depressiesymptomen gekeken wordt kunnen conclusies getrokken worden over het construct depressie. Een oplossing voor een andere tekortkoming van het latente

variabelenmodel is dat causale relaties tussen symptomen wel meegenomen worden, als de verbindingen tussen de symptomen, en deze spelen zelfs een belangrijke rol binnen een netwerk (Schmittmann et al., 2011). Binnen de netwerkmodellentheorie wordt gedacht dat symptomen elkaar kunnen activeren via de verbindingen die ze met elkaar hebben, dus er is binnen deze theorie ook een mogelijke verklaring voor het fenomeen dat als er bepaalde symptomen verschijnen, ook andere symptomen geactiveerd kunnen worden (Borsboom, Cramer, Schmittmann, Epskamp, & Waldorp, 2011). Op deze manier is er ook meer ruimte voor ideeën over hoe een construct en de weergave van een construct als netwerk tot stand komen (Schmittmann et al., 2011). Ook de intuïtief niet kloppende tekortkoming dat een latente stoornis blijft bestaan, ook al zijn alle symptomen verholpen, wordt in de netwerkmodellentheorie opgelost. Bij een netwerk wordt er namelijk van uitgegaan dat zodra alle symptomen verholpen zijn, en alle symptomen dus niet meer actief zijn binnen het depressienetwerk, iemand niet meer depressief is (Borsboom & Cramer, 2013). Symptoombestrijding zou genoeg zijn om een stoornis te verminderen of verhelpen.

Figuur 2

Figuur 2 geeft het netwerkmodel van depressie weer waarin de observeerbare symptomen depr (depressieve stemming), inte (interesseverlies), weig (gewichtsproblemen), slee (slaapproblemen), moto (psychomotorische problemen), fati (vermoeidheid), repr (zelfverwijt), conc

(concentratieproblemen) en suic (suïcidale gedachtevorming) met elkaar zijn verbonden.

Een lastig punt binnen de netwerkmodellentheorie is hoe netwerken tot stand komen en hoe hun structuur bepaald wordt (Van Borkulo et al., 2014). Een netwerkstructuur zou afgeleid moeten worden uit de informatie van de data, maar de vraag is hoe dit het best kan gebeuren (Van Borkulo et al., 2014). De huidige methodes binnen de netwerkmodellentheorie hebben vaak grote nadelen of zijn alleen geschikt voor gaussische data, terwijl veel psychologische data niet gaussisch zijn (Van Borkulo et al., 2014). Gaussische data zijn de data die de vorm heeft van een normaal distributie en de resultaten kunnen tussen min oneindig en plus oneindig liggen.

Er is een nieuwe methode die geschikt is voor binaire data, een soort data die veel voorkomt binnen de psychologie (Van Borkulo et al., 2014). Binaire data bestaat uit 1en, als datgene wat gemeten wordt aanwezig is, en 0en, als datgene wat gemeten wordt niet aanwezig is. Het ontstaan van de structuur van een netwerk wordt aan de hand van de principes van het ising model bepaald (Van Borkulo et al., 2014). Het ising model is officieel ontwikkeld om ferromagnetisme te verklaren, maar blijkt op meer gebieden toepasbaar (Van Borkulo et al., 2014). In het originele model wordt het magnetische karakter van metalen uitgelegd waarbij een metaal bestaat uit allerlei plussen en minnen, ook wel dipolen (Van Borkulo et al., 2014). Deze dipolen kunnen alleen andere dipolen

beïnvloeden als ze direct verbonden zijn (Van Borkulo et al., 2014). In het psychologische alternatief zijn de dipolen de symptomen die aanwezig zijn, aangegeven met een 1, en de symptomen die afwezig zijn, aangegeven met een 0 (Van Borkulo et al., 2014). Alleen symptomen die direct met elkaar verbonden zijn kunnen elkaar beïnvloeden en zo informatie uitwisselen (Van Borkulo et al., 2014). Een onderdeel van het ising model is dat er een bepaalde waarde is, een drempelwaarde, en als deze overschreden wordt is het zeer waarschijnlijk dat er een activering van een dipool, of in het psychologische geval een symptoom, plaats gaat vinden (Van Borkulo et al., 2014). Bij een lage drempelwaarde gebeurt het overschrijden sneller dan bij een hoge drempelwaarde.

Het is niet bekend waar deze drempelwaardes precies op gebaseerd zijn. Van Borkulo et al (2014) gebruikten random waardes tussen de 0 en een specifieke waarde voor het symptoom uit een normaal verdeling van de data. Verder worden er binnen deze methode geen genetische en

omgevingsfactoren meegenomen in het ontstaan van de structuur. Uit onderzoek blijkt echter dat netwerken voor een zelfde stoornis verschillend zijn voor verschillende individuen (Borsboom & Cramer, 2013). Dit uit zich in de weergave van een netwerkmodellen als verschillende verbindingen tussen symptomen, verschillende diktes van deze verbindingen en verschillen in hoe centraal een symptoom ligt. Het is waarschijnlijk dat dit voor een groot deel komt door genetische en

omgevingsfactoren (Borsboom & Cramer, 2013). Om het model dat gebaseerd is op het ising model meer compleet te maken zou een manier waarop genetische en omgevingsfactoren mee worden genomen een goede toevoeging zijn.

In dit onderzoek zullen de beginselen van de methode om deze factoren wel in een netwerkmodel te verwerken worden gepresenteerd en bekeken. Op deze manier kan er invulling gegeven worden aan de factoren die maken dat een drempelwaarde overschreden wordt en zo aan de betekenis van de drempelwaardes. Het idee van deze methode is als volgt: netwerkmodellen zijn symptoomgericht en het is waarschijnlijk dat elk symptoom een eigen specifieke waarde heeft voor in welke mate genetische factoren meespelen en in welke mate omgevingsfactoren meespelen. Deze waardes zijn per individu verschillend. De genetische factoren hebben invloed op de knopen, wat inhoudt dat deze factoren bepalen welke knopen in welke mate aanwezig zijn in het netwerk van een individu, zie figuur 3. Met de genetische waardes wordt iemand geboren, dus het ligt vast in welke mate een persoon genetisch gezien aanleg heeft voor dat symptoom. Dit zou gezien kunnen worden als een aantal procent kans dat een symptoom actief wordt zonder omgevingsfactoren. De

omgevingsfactoren hebben invloed op de verbindingen tussen de knopen wat betekent dat deze factoren bepalen welke verbindingen gemaakt worden en hoe sterk de verbindingen in het netwerk van een individu zijn, zie figuur 3. Omdat de omgevingsfactoren veranderen gedurende het leven hebben deze een veranderende invloed op de verbindingen tussen de symptomen. Dit zou gezien

kunnen worden als het aantal procent kans dat een symptoom actief wordt als een symptoom waar dit symptoom is verbonden actief is.

Figuur 3

In Figuur 3 is een algemene netwerkweergave te zien van drie depressiesymptomen, conc (concentratie problemen), depr (depressieve stemming) en suic (suïcidale gedachtevorming), volgens de nieuwe theorie. De genetische factoren oefenen invloed uit op de symptomen en de omgevingsfactoren oefenen invloed uit op de verbindingen tussen de symptomen.

Om het te verduidelijken nemen drie depressiesymptomen als voorbeeld: concentratieproblemen, depressieve stemming en suïcidale gedachten. Als iemand geboren wordt is er voor deze drie symptomen een waarde die aangeeft wat de kans is dat dit symptoom actief wordt gedurende het leven van een individu, zie figuur 4. Deze kans is gebaseerd op de genen van het individu. Er zijn nog geen verbindingen tussen de symptomen. In figuur 4 is een hoge aanleg voor

concentratieproblemen, een aanwezige maar kleine kans voor een depressieve stemming en een zeer kleine kans op suïcidale gedachtevorming.

Figuur 4

In figuur 4 is de status van het netwerk van de drie depressiesymptomen uit het voorbeeld, conc (concentratie problemen), depr (depressieve stemming) en suic (suïcidale gedachtevorming), te zien zoals deze bij de geboorte is . De symptomen hebben al een genetische waarde die een kans aangeeft dat deze symptomen actief worden gedurende het leven, maar nog geen onderlinge verbindingen.

Tijdens het leven wordt een individu echter blootgesteld aan allerlei omgevingsfactoren. Door deze factoren ontstaan er verbindingen tussen de symptomen en wordt bepaald hoe sterk deze zijn, zie figuur 5. Welke verbindingen er zijn en hoe sterk deze zijn verandert continu en is moment

afhankelijk. In figuur 5 is te zien dat er op dit moment een grote kans bestaat dat de

concentratieproblemen gaan leiden tot een depressieve stemming, bijvoorbeeld omdat een individu slecht presteert op school door de concentratieproblemen terwijl goede prestaties op school zeer belangrijk zijn voor het individu. Er is echter een zeer kleine kans voor dit individu dat deze depressieve stemming zal leiden tot suïcidale gedachtevorming.

Figuur 5

In figuur 5 is de status van het netwerk van de drie depressiesymptomen uit het voorbeeld, conc (concentratie problemen), depr (depressieve stemming) en suic (suïcidale gedachtevorming), te zien zoals deze op een willekeurig moment tijdens het leven van een individu is. De symptomen hebben dezelfde genetische waarde die de kans aangeeft dat het symptoom actief wordt als bij de geboorte. Er zijn verbindingen tussen de symptomen en er is aangegeven hoe sterk deze op dit zijn.

Naarmate de combinatie van genetische en omgevingsfactoren toeneemt zal de kans groter worden dat de specifieke drempelwaarde van dit symptoom overschreden wordt. Zodra de drempelwaarde is overschreden wordt de kans dat een symptoom actief wordt zeer groot. Bij een lage drempelwaarde is de kans dat een symptoom actief wordt door de combinatie van de factoren dan ook hoger, omdat het overschrijden sneller gebeurt, dan bij een hoge drempelwaarde.

Cramer et al. (2012) bespreken een soortgelijk model voor persoonlijkheidsnetwerken in plaats van psychopathologische netwerken. Zij benadrukken het verschil tussen de genetische invloed in een latente variabelenmodel en die in een netwerkmodel. In een latente variabelenmodel hebben genen direct invloed op de persoonlijkheidstrek en zo indirect op individuele gedragingen, emoties of gedachten (Cramer et al., 2012). Bij een netwerkmodel hebben de genen direct invloed op de individuele gedragingen, emoties of gedachten (Cramer et al., 2012). Een verschil tussen de nieuwe theorie voor psychopathologische netwerken en de theorie voor persoonlijkheidnetwerken is dat bij de persoonlijkheidsnetwerken genetische invloed wordt uitgeoefend op zowel de knopen als op de verbindingen. Over het algemeen hebben karaktertrekken een veel stabieler verloop tijdens het leven van een individu. Het is niet waarschijnlijk dat omgevingsfactoren, die continu veranderen, dan een grote, of zelfs de enige, rol spelen bij de verbindingen van symptomen. Het ligt meer voor de hand dat genetische factoren in dit geval veel invloed hebben op de verbindingen en deze maken dat een karaktertrek stabiel is. Verder uitten karaktertrekken zich vaak al in de zeer vroege jeugd. Het is

onwaarschijnlijk dat er in zodanig korte tijd al zoveel omgevingsfactoren hebben meegespeeld dat de verbindingen tussen indicatoren van een karaktertrek alleen hierdoor beïnvloed worden.

In de nieuwe theorie wordt een onderscheid gemaakt tussen welke factoren op welke onderdelen van het netwerk invloed uitoefenen. Een stoornis ontwikkelt zich gedurende het leven is en is zeer afhankelijk van omgevingsfactoren. Het verloop van bijvoorbeeld depressie is dan ook minder stabiel over het hele leven van een individu dan een karaktertrek. Verder wordt, voor zover bekend, een individu niet geboren met depressie en deze stoornis uit zich pas na al een tijd blootgesteld te zijn geweest aan omgevingsfactoren. Het is overigens niet zo binnen de nieuwe theorie dat

omgevingsfactoren helemaal geen invloed hebben op symptomen. Deze invloed is echter indirect. Omgevingsfactoren hebben directe invloed op de verbindingen en de verbindingen hebben directe invloed op de symptomen. Op deze manier hebben genetische factoren ook een indirecte invloed op de verbindingen die ontstaan: genetische factoren hebben invloed op de symptomen en de

symptomen hebben invloed op de verbindingen. Cramer et al. (2012) noemen niet op welke plek omgevingsfactoren precies invloed hebben in een persoonlijkheidnetwerk.

Om deze nieuwe methode te testen zal in dit artikel depressie als voorbeeld gebruikt worden. Binnen de latente variabelentheorie wordt ervan uitgegaan dat alle symptomen van depressie even zwaar meetellen aangezien ze allemaal veroorzaakt worden door een zelfde latente variabele: depressie (Fried & Nesse, 2014). Om deze reden gaat het dan ook om het aantal

symptomen dat aanwezig is en niet welke symptomen aanwezig zijn bij een diagnose (Fried & Nesse, 2014). In de praktijk blijkt echter dat er wel degelijk verschillen zijn tussen de symptomen als het gaat om oorsprong, prognose en genezing en dat het de moeite waard is de symptomen apart te bekijken (Fried & Nesse, 2014). Ook zijn er verschillen voor wat betreft de impact van risicofactoren bij verschillende symptomen van depressie, oftewel het verschilt bij de risicofactoren van depressie hoeveel invloed deze hebben op de symptomen (Fried, Nesse, Zivin, Guille, & Sen, 2013). In eerder onderzoek is gekeken naar groepen symptomen en hoe deze verschillend reageren op verschillende soorten therapie en medicijnen (Bhar et al., 2008; Stewart & Harkness, 2012; Fournier et al., 2013). Bhar et al. (2008) en Stewart en Harkness (2012) vonden geen verschil in de verbetering van de groepen symptomen bij verschillende soorten therapie of medicijnen. Fournier et al. (2013) vonden wel een significant verschil tussen bepaalde groepen symptomen voor wat betreft de verbetering bij verschillende soorten therapie en medicijnen. Zij keken ook naar atypische vegetatieve symptomen, in tegenstelling tot Bhar et al. (2008) en Stewart en Harkness (2012), die wel significant verschilden van cognitieve symptomen. Tussen de andere symptomen vonden zij ook geen significant verschil. Als elk symptoom apart wordt genomen worden er verschillen gevonden in de verbetering van de aparte symptomen bij verschillende soorten therapie en medicijnen (Fried et al., 2013; Fried & Nesse, 2014). Om de nieuwe methode te toetsen zal er naar elk symptoom apart gekeken worden,

om uit te sluiten dat er te veel symptomen bij elkaar als groep bekeken worden en er belangrijke informatie verloren gaat over de losse symptomen.

Omdat de theorie over de invloed van genetische en omgevingsfactoren nog helemaal nieuw en nog nooit onderzocht is zal in dit onderzoek niet de hele theorie in één keer bekeken worden. Dit zal stap voor stap in meerdere onderzoeken gebeuren. In dit onderzoek zullen in één netwerk voor elk symptoom van depressie verschillende drempelwaardes gekozen worden en in een ander

netwerk zal voor elk symptoom een zelfde drempelwaarde gekozen worden. Er wordt gekeken of alle symptomen aparte drempelwaardes hebben die overschreden kunnen worden of dat een zelfde drempelwaarde voor alle symptomen voldoende is. Indien de gevonden resultaten zullen impliceren dat het daadwerkelijk zo is dat elk apart symptoom een specifieke drempelwaarde heeft, is het belangrijk dat het in een volgend onderzoek aannemelijker wordt gemaakt dat het theorienetwerk voor de hand ligt door middel van bijvoorbeeld model fitting. In onderzoeken hierna kan per symptoom gekeken worden in welke mate genetische en omgevingsfactoren van dat individu aanwezig dienen te zijn om de kans dat een drempelwaarde overschreden wordt te veranderen.

Methode

De dataset die gebruikt zal worden om de nieuwe theorie te testen is de NESDA dataset (Penninx et al., 2008). Deze dataset is verkregen in een acht jaar durende studie met 2981

deelnemers tussen de 18 en 65 jaar. De deelnemers bestonden uit 1707 mensen met op dat moment een depressie en/of angststoornis diagnose die al minstens zes maanden aanhield, 907 mensen hadden een levenslange depressie diagnose of vielen in de risicogroep door hun familiegeschiedenis of doordat ze dicht bij een drempelwaarde zaten van een depressie en/of angststoornis en 373 deelnemers waren gezond en werden als controle conditie beschouwd. Depressies en

angststoornissen hebben een hoge comorbiditeit, namelijk van 60% tot 70% (Klenk, Strauman, & Higgins, 2011). Een hoge comorbiditeit betekent dat twee stoornissen vaak samen voorkomen en het stoort de informatie over depressies in de NESDA dataset dan ook niet dat er informatie over

angststoornissen in de dataset staat. De NESDA dataset bevat informatie over medische,

demografische, psychosociale, klinische, biologische en genetische determinanten. In dit onderzoek wordt de data gebruikt die verkregen is tijdens een baselinemeting vooraf aan het onderzoek. Tijdens deze bijeenkomst werden er vragenlijsten, interviews, een medisch onderzoek, een cognitieve computertaak en bloed en speekselmonsters afgenomen.

Tijdens dit onderzoek zal ik twee netwerken, die gebaseerd zijn op de data uit de NESDA dataset, met elkaar vergelijken. Één netwerk is een netwerkweergave van de nieuwe theorie en één netwerk fungeert als controle netwerk. De netwerken worden gesimuleerd in NetLogo op basis van een verbindingsmatrix en de drempelwaardes (Van Borkulo, Borsboom, Nivard, & Cramer, 2011). De

verbindingsmatrix bevat informatie over welke symptomen in welke mate verbonden zijn. De gemiddelde verbindingssterkte is 0.1485597 en de standaard afwijking is 0.2759867. Wat betreft de netwerkweergave van depressie geeft deze matrix aan welke depressiesymptomen met elkaar verbonden zijn en hoe sterk deze verbinding is. De drempelwaardes zijn gebaseerd op gegevens uit de NESDA dataset. Een lage drempelwaarde zal snel overschreden worden en de kans dat een symptoom met een lage drempelwaarde actief wordt is groot, voor een hoge drempelwaarde is dit tegenovergesteld. Voor beide netwerken zullen alle omstandigheden hetzelfde zijn, behalve dat het theorienetwerk verschillende drempelwaardes heeft terwijl het controle netwerk bij alle

drempelwaardes dezelfde waarde heeft, namelijk -2.4. Dit is het gemiddelde van alle verschillende drempelwaardes van het theorienetwerk. Dit houdt in dat in het controle netwerk elk symptoom een even hoge drempelwaarde heeft en deze even gemakkelijk overschreden wordt. Bij het

theorienetwerk is het echter voor elk symptoom specifiek hoe moeilijk het is om over de

drempelwaarde heen te gaan en hoe snel de kans groter wordt dat een symptoom actief wordt. De externe activering, ook wel de gesimuleerde invloed van externe factoren, wordt voor beide

netwerken op 0 gezet bij alle simulaties zodat alle andere factoren dan de drempelwaardes gelijk zijn voor de twee netwerken. Tijdens het simuleren van het hysteresis plot zal echter de externe

activering wel eerst worden verhoogd tot het maximale en vervolgens worden verlaagd tot het minimale omdat het hysteresis effect anders niet te bestuderen is.

Er zal op verschillende belangrijke zaken gelet worden tijdens het onderzoek naar de verschillen tussen de twee netwerken. Ten eerste zal er in NetLogo gekeken worden naar het hysteresis plot, de netwerk statusgrafiek en de weergave van het netwerk, zie figuur 6.

Figuur 6

In figuur 6 zie je weergave van alles wat bekeken wordt in NetLogo, namelijk het hysteresis plot, de netwerk statusgrafiek en de weergave van het netwerk, zoals dit er oorspronkelijk uit ziet in NetLogo.

In het hysteresis plot is te zien hoeveel knopen er op dat specifieke moment actief zijn ten opzichte van de externe activering. Zo een plot wordt gebruikt om het hysteresis effect te onderzoeken. Het hysteresis effect houdt in dat er twee verschillende waardes van externe activering zijn waarop een systeem stabiel wordt of juist niet meer stabiel is (Scheffer, Carpenter, Foley, Folke, & Walker, 2001). In de psychologie houdt het hysteresis effect in dat als een construct is ontstaan door bepaalde invloeden het vaak niet genoeg is als deze invloeden allemaal weer zijn weggenomen. Het duurt vaak langer voordat een construct weg is dan dat het tijd kostte voor het construct om te ontstaan. Er is sprake van twee verschillende punten waarop een construct verandert van actief of niet actief zijn, zie figuur 7. Cramer et al. (2014) vonden dat het verschil in de reactie op externe activering, in hun geval stress, veroorzaakt werd de sterkte van de verbindingen van een stoornisnetwerk. Als de verbindingen in een stoornisnetwerk niet erg sterk waren had de externe activering weinig tot geen invloed, terwijl een stoornisnetwerk met gemiddelde tot sterke verbindingen veel gevoeliger waren voor externe activering (Cramer et al., 2014).

Figuur 7

In figuur 7 is het hysteresis effect afgebeeld zoals deze er in een NetLogo plot uit ziet. De externe activering is eerst vanaf 0 opgevoerd tot een externe activering van 10 en toen weer teruggevoerd. Bij een externe activering van 0 was het systeem echter niet hetzelfde als toen het begon op 0. Dit is pas weer op een externe activering van -7.

De netwerk statusgrafiek geeft aan hoeveel symptomen per moment actief zijn in het netwerk. Hierin zie je het verloop van het activeren en deactiveren van de verschillende symptomen. In de netwerkweergave worden alle knopen en hun verbindingen met elkaar weergegeven. Op het moment dat een knoop geactiveerd wordt zullen zowel de knoop zelf als alle verbindingen die bij deze knoop horen van kleur veranderen. Zo is per symptoom te zien wanneer het geactiveerd wordt

of juist niet en wanneer het informatie uitzendt naar de symptomen waar het actieve symptoom mee in verbinding is, zie figuur 8.

Figuur 8

In Figuur 8 is een moment opname van de netwerk weergave in NetLogo te zien. Rode lijnen en rode knopen zijn geactiveerd, grijze lijnen en grijze knopen niet.

Ten tweede zal er in R gekeken worden naar de variantie van de knopen in de twee netwerken. De variantie wordt bepaald door eerst te kijken naar de somscore van elke knoop, oftewel hoe vaak deze actief is geweest in 9924 ticks, en vervolgens hiervan de variantie te berekenen. Door te kijken naar de variantie kan er beter bepaald worden welk van de twee netwerken beter past op de NESDA dataset.

Resultaten

Beide netwerken hebben 9924 ticks, oftewel stappen in de tijd, gelopen. Tijdens het simuleren en evalueren waren verschillen op te merken tussen de twee netwerken. Een eerste verschil vond plaats in de netwerk statusgrafiek. Als het theorienetwerk wordt gesimuleerd is er een golvende beweging te zien, zie Figuur 9. In de netwerk statusgrafiek van het controle netwerk is ook een golvende beweging te zien, alleen in mindere mate. Er zijn langer veel symptomen actief met af en toe een sterke, korte daling van het aantal actieve symptomen, zie Figuur 10. In de praktijk lijkt het logischer dat het actief zijn van symptomen, en dus de mate van het hebben van de stoornis, een fluctuerend patroon heeft zoals bij het theorienetwerk in het geval van depressie. Het ligt voor de hand dat een individu bepaalde schommelingen heeft in de symptomen, onder andere door de

wisselende omgevingsfactoren. Toch is het niet voor de hand liggend bij depressie dat een individu opeens een sterke afname ondervindt in het aantal actieve symptomen en dat kort hierna weer veel symptomen actief worden, wat het geval is bij het controle netwerk. Het verloop van depressie gaat over het algemeen meer geleidelijk.

Figuur 9

Figuur 9 is een moment opname uit de netwerk statusgrafiek tijdens het simuleren van het theorienetwerk.

Figuur 10

Figuur 10 is een moment opname uit de netwerk statusgrafiek tijdens het simuleren van het controle netwerk. Een tweede verschil is eveneens op te merken in de netwerk statusgrafiek. Het totaal aantal keer dat elke knoop actief is, is hoger bij het controle netwerk dan bij het theorienetwerk, zie figuur 11. Het lijkt onwaarschijnlijk dat alle symptomen zo vaak actief zijn als in het controle netwerk. Vaak hebben individuen niet alle symptomen die bij depressie horen, maar hebben ze er zodanig veel dat ze over de grens zijn van het minimum aantal symptomen om gediagnosticeerd te worden (Fried & Nesse, 2014).

Figuur 11

Figuur 11 geeft weer hoe vaak elke knoop actief is geweest tijdens het simuleren van het theorienetwerk en het controle netwerk.

Een derde verschil tussen de twee netwerken is te zien als er gekeken wordt naar het hysteresis plot. Voor beide netwerken verschijnt een plot dat het hysteresis effect vertoont, zie figuur 12 en 13.

Figuur 12

In figuur 12 is het hysteresis effect te zien voor het theorienetwerk. 0 500 1000 1500 2000 2500 3000 3500 4000 1 3 5 7 9 11 13 15 17 19 21 23 25 27 Aa nt al k eer a ct ief Knopen Theorie Controle 16

Figuur 13

In figuur 13 is het hysteresis effect te zien van het controle netwerk.

Bij het controle netwerk zit er een grotere afstand tussen de twee punten waarop het systeem stabiel wordt dan bij het theorienetwerk. Dit betekent dat beide netwerken het hysteresis effect vertonen, maar dat dit effect wel groter is als het controle netwerk wordt gesimuleerd met voor elk symptoom dezelfde drempelwaarde. Cramer et al. (2014) vonden in hun onderzoek dat er geen significant effect van drempelwaardes op het hysteresis effect. Dit zou betekenen dat het verschil tussen de twee netwerken niet direct komt door het enige verschil tussen de twee, namelijk de verschillende drempelwaardes. Hoe vaak een netwerk actief is heeft echter wel een significant effect op het hysteresis effect (Cramer et al, 2014). Dit betekent dat iemand die zeer depressief is en een depressienetwerk heeft met zeer sterke verbindingen moeilijker uit deze depressie komt dan iemand met een lichtere depressie en zwakkere verbindingen. Zoals eerder genoemd zijn de knopen van het controle netwerk meer actief dan de knopen van het theorienetwerk. Dit verschil in

activering van de twee netwerken kan maken dat er een verschil in hysteresis effect wordt gevonden. Omdat het zo lijkt te zijn dat het grotere hysteresis effect in het controle netwerk veroorzaakt wordt door de zeer hoge activering, in praktijk onwaarschijnlijk hoog, is het aannemelijk dat beide

netwerken een goede weergave van het hysteresis effect vertonen en niet op basis hiervan een beter netwerk gekozen kan worden.

Een vierde verschil tussen de twee netwerken is te zien als er gekeken wordt naar de varianties van knopen. Er wordt bij bijna alle knopen minder variantie gevonden bij het

theorienetwerk dan bij het controle netwerk, zie tabel 1. Met andere woorden houdt dit in dat er minder variantie wordt gevonden als er wordt gekeken naar het aantal keer dan een symptoom actief is bij het theorienetwerk dan bij het controle netwerk. Dit lijkt te betekenen dat het

theorienetwerk een betere netwerkweergave is van de symptomen van depressie dan het controle netwerk.

Tabel 1

Tabel 1 is de tabel met de varianties per knoop voor zowel het theorienetwerk als het controle netwerk. Verder werden er geen opvallende verschillen gevonden tussen de twee netwerken.

Discussie

Het lijkt erop dat symptomen individuele drempelwaardes hebben die overschreden kunnen worden. Er wordt een aannemelijker patroon gevonden voor het verloop van depressie als er verschillende drempelwaardes gehanteerd worden. Ook wordt er een meer onwaarschijnlijke hoeveelheid actieve depressiesymptomen gevonden als alle drempelwaardes gelijk zijn. Het

hysteresis effect wordt in beide netwerken teruggevonden. Voor het controle netwerk wordt echter een groter hysteresis effect gevonden. Dit wordt waarschijnlijk veroorzaakt door de onwaarschijnlijk

hoge hoeveelheid actieve depressiesymptomen. Tot slot lijkt het zo te zijn dan het netwerk met de verschillende drempelwaardes een betere weergave is van het netwerk van de symptomen van depressie.

Deze conclusies zijn echter alleen getrokken op basis van constateringen uit de grafieken en simpele statische bewerkingen. Er zijn geen harde bewijzen voor deze verschillen. Toch lijken de bevindingen in dit onderzoek te wijzen op een verbetering van het netwerkmodel.

De gevonden verschillen zijn niet overduidelijk. Het is goed mogelijk dat dit te wijten is aan de keuze van de drempelwaarde die gelijk is voor alle symptomen. Deze waarde is een gemiddelde waarde van de verschillende drempelwaardes bij het theorienetwerk. De specifieke drempelwaardes per symptoom zijn gebaseerd op empirische data en het gemiddelde hiervan is hierdoor ook een goede benadering van de werkelijke specifieke waardes. Om dus een zelfde drempelwaarde voor alle symptomen te vinden, waarbij het netwerk wel goed overeenkomt met de netwerkweergave van de data, is het alsnog nodig eerst per symptoom te kijken en dan het gemiddelde hiervan te nemen. Het is waarschijnlijk dat als er een meer random drempelwaarde wordt gekozen die voor alle symptomen gelijk is, waarbij geen rekening is gehouden met de specifieke eigenschappen van de symptomen, er een groter verschil gevonden zal worden.

Hoe dan ook staat de netwerkmodellentheorie nog in de kinderschoenen en is er in

verhouding nog heel weinig bewijs dat deze theorie echt werkt, laat staan beter werkt dan de latente variabelentheorie. Zo is een latente variabelenmodel eenvoudiger te interpreteren en te gebruiken dan een netwerkmodel. Als een latente variabelenmodel goed genoeg op de data past is het logischer om dit model te verkiezen boven een ingewikkeld netwerkmodel. Echter wijzen de onderzoeken naar netwerkmodellen er tot nu toe wel op dat er veelbelovende resultaten worden behaald als dit model wordt aangehouden. Dit betekent niet dat alles van de

netwerkmodellentheorie al uitgedacht, getoetst en bewezen is. Het is niet alleen van belang dat er vaker naar deze nieuwe theorie wordt gekeken, maar hoe dan ook verdient de hele

netwerkmodellentheorie meer goed en groots opgezet onderzoek.

Het is overigens ook belangrijk om te vermelden dat, hoewel de toevoeging van het ising model maakt dat binaire data gebruikt kan worden voor het simuleren van een netwerkstructuur, netwerkmodellen nog steeds niet geschikt zijn voor alle soorten psychologische data. Een grote verbetering zou dan ook zijn dat er op basis van het ising model een uitbreiding wordt bedacht voor de netwerkmodellen waardoor het wel op meerdere of zelfs elke soort psychologische data kan worden toegepast.

Verder wordt in dit onderzoek, net als in veel andere onderzoeken naar netwerkmodellen, depressie gebruikt als voorbeeld om netwerkmodellen te toetsen. Het is van belang dat dit

onderzoek eveneens gedaan wordt bij andere psychologische constructen. Pas indien hier ook goede 19

resultaten worden behaald zal er gesproken kunnen worden van een goede generaliseerbaarheid van het model en de toevoeging van genetische en omgevingsfactoren hierop.

Het is belangrijk dat er meer onderzoek gedaan wordt naar deze nieuwe theorie. In dit onderzoek wordt een begin fase van de theorie getest, wat betekent dat er nog veel verbeterd en onderzocht kan worden. Om te beginnen zou een suggestie voor vervolgonderzoek zijn om te kijken of het inderdaad meer verschillen oplevert tussen netwerken als er in een netwerk een random gelijke drempelwaarde wordt gekozen voor alle symptomen en in een ander netwerk een specifieke drempelwaarde per symptoom die gebaseerd is op empirische gegevens. Verder is het belangrijk dat er getoetst wordt hoe de genetische en omgevingsfactoren invloed hebben op het overschrijden van deze specifieke of gelijke drempelwaardes. Er zou bijvoorbeeld een schaal bedacht kunnen worden die aangeeft in welke mate de factoren al aanwezig zijn en in welke mate deze veranderen. Zodra er meer bewijs is dat een netwerk met symptoom specifieke drempelwaardes beter is dan een netwerk met gelijke drempelwaardes, of het tegendeel bewezen is, zal voor dit netwerk gekeken kunnen worden hoe genetische en omgevingsfactoren maken dat een symptoom actief is of wordt en niet actief is of wordt. Als hier een adequate manier voor gevonden wordt kan er onderzocht worden hoe genetische en omgevingsfactoren precies invloed uitoefenen op het aan en uit gaan van symptomen en dus het hebben of niet hebben van een stoornis en het verloop hiervan. Indien hier goede

resultaten worden behaald is er meer reden om de netwerkmodellentheorie uit te breiden met deze nieuwe theorie en zo het lastige vraagstuk van genetische en omgevingsfactoren te verlichten.

Literatuurlijst

Bhar, S. S., Gelfand, L. A., Schmid, S. P., Gallop, R., DeRubeis, R. J., Hollon, S.D., Amsterdam, J. D., Shelton, R. C., & Beck, A. T. (2008). Sequence of improvement in depressive symptoms across cognitive therapy and pharmacotherapy. Journal of Affective Disorders, 110, 161-166. Borsboom, D. (2008). Psychometric Perspectives on Diagnostic Systems. Journal of clinical

psychology, 64(9), 1089-1108.

Borsboom, D., & Cramer, A. O. J. (2013). Network analysis: an integrative approach to the structure of psychopathology. Annual review of clinical psychology, 9, 91-121.

Borsboom, D., Cramer, A. O. J., Schmitmann, V. D., Epskamp, S., & Waldorp, L. J. (2011). The small world of psychopathology. PLoS One, 6(11), 1-11.

Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., Borsboom, D., & Tuerlinckx, F. (2013). A network approach to psychopathology: new insights into clinical longitudinal data. PLoS One, 8(4), 1-13.

Cramer, A. O. J., Borsboom, D., Aggen, S. H., & Kendler, K. S. (2012). The pathoplasticity of dysphoric episodes: Differential impact of stressful life events on the pattern of depressive symptom inter-correlations. Psychological medicine, 42, 957-967.

Cramer, A. O. J., Giltay, E. J., van Borkulo, C. D., van der Maas, H. L. J., Kendler, K. S., Scheffer, M., & Borsboom, D. (2014). I feel sad therefore I do not sleep: major depression as a complex system.

Cramer, A. O. J., van der Sluis, S., Noordhof, A., Wichers, M., Geschwind, N., Aggen, S. H., Kendler, K. S., & Borsboom, D. (2012). Dimensions of normal personality as networks in search of equilibrium: you can’t like parties if you don’t like people. European Journal of Personality, 26, 414-431.

Cramer, A. O. J., Waldorp, L. J., van der Maas, H. L. J., & Borsboom, D. (2010). Comorbidity: A network perspective. Behavioral and brain sciences, 33, 137-193.

Fournier, J. C., DeRubeis, R. J., Hollon, S. D., Gallop, R., Shelton, R. C., & Amsterdam, J. C. (2013). Differential change in specific depressive symptoms during antidepressant medication or cognitive therapy. Behaviour Research and Therapy, 51, 392-398.

Fried, E. I., & Nesse, R. M. (2014). The impact of individual depressive symptoms on impairment of psychosocial functioning. PLoS One, 9(2), 1-7.

Fried, E. I., Nesse, R. M., Zivin, K., Guille, O., & Sen, S. (2013). Depression is more than the sum score of its parts: individual DSM symptoms have different risk factors. Psychological Medicine, 1-10.

Klenk, M. M., Strauman, T. J., & Higgins, E. T., 2011. Regulatory focus and anxiety: a self-regulatory model of GAD-depression comorbidity. Personality and Individual Differences, 50, 935-943. Penninx, B. W., Beekman, A. T., Smit, J. H., Zitman, F. G., Nolen, W. A., Spinhoven, P., Cuijpers, P., De

Jong, P. J., Van Marwijk, H. W., & Assendelft, W. J. (2008). The netherlands study of depression and anxiety (nesda): rationale, objectives and methods. International Journal of Methods in Psychiatric Research, 17-3, 121-140.

Scheffer, M., Carpenter, S., Foley, J. A., Folke, C., & Walker, B., (2001). Catastrophic shifts in ecosystems. Nature, 413, 591-596.

Schmittmann, V. D., Cramer, A. O. J., Waldorp, L. J., Epskamp, S., Kievit, R. A., & Borsboom, D. (2011). Deconstructing the construct: a network perspective on psychological phenomena. New Ideas in Psychology, 31, 43-53.

Stewart, J. G., & Harkness, K. L. (2012). Symptom specificity in the acute treatment of Major Depressive Disorder: a re-analysis of the treatment of depression collaborative research program. Journal of Affective Disorders, 137, 87-97.

Van Borkulo, C. D., Borsboom, D., Epskamp, S., Blanken, T. F., Boschloo, L., Schoevers, R. A., & Waldorp, L. J. (2014). A new method for constructing networks from binary data.

Van Borkulo, C.D., Borsboom, D., Nivard, M.G., & Cramer, A. O. J. (2011). NetLogo Symptom Spread model. http://ccl.northwestern.edu/netlogo/models/SymptomSpread. Center for Connected Learning and Computer-Based Modeling, Northwestern University, Evanston, IL.

Wilensky, U. (1999). NetLogo. http://ccl.northwestern.edu/netlogo/. Center for Connected Learning and Computer-Based Modeling, Northwestern University, Evanston, IL.