De Dynamische Aard van Psychopathologie:
een Netwerkbenadering van Comorbiditeit
en Heterogeniteit
Krista Hellsten
Studentnummer 10121595 Universiteit van Amsterdam Begeleid door Arjen Noordhof 21/076/2015
Aantal woorden literatuuronderzoek: 7625 Aantal woorden abstract: 118
1
Inhoudsopgave
Abstract 2
Inleiding 3
Een Netwerkbenadering van Comorbiditeit 6
Een Netwerkbenadering van Heterogeniteit 13
Conclusie 26
Discussie 27 Literatuurlijst 31
2 Abstract
Comorbiditeit en heterogeniteit zijn grote conceptuele problemen in psychopathologisch onderzoek. De hardnekkigheid van deze problemen wijst erop dat er behoefte is aan een kritische blik op de fundamenten van psychopathologie in de huidige wetenschap. In dit literatuuroverzicht wordt het common cause model ter discussie gesteld en worden comorbiditeit en heterogeniteit benaderd vanuit een netwerkmodel. In dit model worden stoornissen niet beschouwd als los van elkaar staande entiteiten, maar als clusters van wederzijds interacterende symptomen. Vanuit een netwerkbenadering wordt duidelijk dat comorbiditeit en heterogeniteit inherente gevolgen zijn van de dynamische aard van psychopathologie. Comorbiditeit en heterogeniteit zijn in dit model geen obstakels die geëlimineerd moeten worden, maar bronnen van waardevolle informatie over individuele verschillen. Dit heeft grote klinische implicaties.
3 Inleiding
Psychopathologie kent vele gedaanten. Bijna de helft van de mensen met een psychiatrische diagnose heeft er minimaal nog één (i.e., comorbiditeit; Kessler, Chiu, Demmler & Walters, 2005). Comorbiditeit is alomtegenwoordig: geen enkele psychische stoornis ontkomt eraan (Krueger & Markon, 2006). Daar komt bij dat stoornissen erg heterogeen zijn: dezelfde psychische stoornis is bij geen twee mensen hetzelfde (Watson & Clark, 2006) en ook niet constant over tijd (Oquendo et al., 2004). Comorbiditeit wordt stelselmatig geassocieerd met een slechtere prognose en hoge zelfmoordcijfers in vergelijking met een enkelvoudige stoornis (Schoevers, Van Tilburg, Beekman & Deeg, 2005; Albert, Rosso, Maina & Bogetto, 2008). Heterogeniteit zorgt ervoor dat patiënten niet hetzelfde reageren op behandeling (Quitkin, Stewart, McGrath, Liebowitz & Harrison, 1988).
Comorbiditeit en heterogeniteit zijn belangrijke conceptuele problemen. Het selecteren van deelnemers voor onderzoek wordt een moeilijke taak als mensen met een enkele stoornis in de minderheid zijn en de stoornis zich bovendien bij iedereen anders manifesteert (Widiger & Clark, 2000; Widiger & Samuel, 2005). Comorbiditeit is het onderwerp van een langlopende discussie in de literatuur (Clark, Watson & Reynolds, 1995; Widiger & Sankis, 2000). Volgens sommige auteurs is deze discussie onvruchtbaar (Blashfield, Keeley, Flanagan & Miles, 2014). Pogingen om comorbiditeit te verminderen door diagnostische herclassificatie zijn namelijk tevergeefs geweest (Watson & Clark, 2006), net als pogingen om stoornissen zo te classificeren dat ze homogeen zijn (Wardenaar & De Jonge, 2013). Daarnaast zijn hiërarchisch-dimensionele modellen van psychopathologie voorgesteld om comorbiditeit te begrijpen. Een dergelijk model
4
stelt dat stoornissen comorbide zijn omdat ze beide een uiting zijn van dezelfde dimensie (Krueger & Piasecki, 2002). Maar ook dimensionele modellen zijn bekritiseerd (Borsboom, 2008; Kendler & First, 2010). De hardnekkigheid van de vraagstukken comorbiditeit en heterogeniteit vormt een aanwijzing dat het referentiekader waaruit psychopathologie wordt benaderd kritisch dient te worden bekeken (Kendler & First, 2010).
In het wetenschappelijke klimaat is een debat gaande tussen een categorisch en een dimensioneel model van psychopathologie. In het categorische model wordt vaak impliciet verondersteld dat stoornissen los van elkaar staande entiteiten zijn die onafhankelijk van diagnose bestaan, vergelijkbaar met een hersentumor die bestaat onafhankelijk van observatie (Kendler & First, 2010). Dit paradigma wordt echter uitgedaagd door de enorme omvang van comorbiditeit en heterogeniteit. Een dimensioneel model van psychopathologie is voorgesteld als oplossing, waarbij een stoornis wordt beschouwd als een pathologische deviatie op een dimensionele as (Krueger & Piasecki, 2002). Zo’n as, bijvoorbeeld depressie, wijkt niet
kwalitatief af van een gezonde toestand. Een stoornis kan in dit perspectief worden vergeleken met hoge bloeddruk: het verschil tussen een normale en een hoge bloeddruk is een kwestie van kwantiteit. Beide modellen zijn bekritiseerd. Een interessante kritiek komt van Borsboom (2008) , die uitlegt dat zowel het categorische als het dimensionele model van psychopathologie onderhevig is aan de assumptie van een common cause: de assumptie dat een latente (i.e., onobserveerbare) stoornis –hetzij kwalitatief of kwantitatief verschillend van een gezonde staat— ten gronde ligt aan de manifeste symptomen. Deze aanname houdt in dat, net zoals een hersentumor tot hoofdpijn leidt en een hoge bloeddruk tot misselijkheid, het hebben van een depressie kan leiden tot bijvoorbeeld het symptoom slapeloosheid. Deze impliciete assumptie uit zich in de langdurige maar tevergeefse zoektocht naar biomarkers van bijvoorbeeld depressie
5
(Beem et al., 2006). De aanname implicieert namelijk dat, net zoals een hersentumor en een hoge bloeddruk, ‘een depressie’ getraceerd kan worden op fysiek niveau en de oorzaak vormt van de symptomen ervan.
Psychopathologie kan ook worden benaderd vanuit een netwerkmodel. In een netwerkmodel van psychopathologie wordt de assumptie van de common cause achterwege gelaten. Vanuit deze benadering wordt psychopathologie beschouwd als het resultaat van de directe dynamische interactie tussen symptomen (Cramer, Waldorp, Van der Maas & Borsboom, 2010.). Een stoornis kan in dit model worden vergeleken met een mierennest dat het resultaat is van de interactie tussen de individuele mieren. Netwerkmodellen worden met succes toegepast in tal van verschillende velden, bijvoorbeeld in cognitieve processen (Van Gelder, 1998),
intelligentie (Van der Maas et al., 2006), ontwikkelingspsychologie (Van der Maas & Molenaar, 1992) en velden buiten de psychologie zoals ecosystemen (Albert & Barabasi, 1999).
Comorbiditeit en heterogeniteit kunnen in dit model worden beschouwd als fenomenen die inherent zijn aan psychopathologie, niet als problemen die uit de weg geruimd moeten worden.
In de wetenschap streeft men ernaar de realiteit zo waarachtig mogelijk in modellen weer te geven. De hardnekkigheid van comorbiditeit en heterogeniteit is een signaal dat er kritisch gekeken moet worden naar het fundament waarop zij zijn gebouwd. Tot nu toe heeft men gepoogd comorbiditeit en heterogeniteit te begrijpen en te minimaliseren binnen de bestaande categorische en dimensionele modellen van psychopathologie. In dit literatuuroverzicht wordt onderzocht of comorbiditeit en heterogeniteit kunnen worden begrepen vanuit een
netwerkbenadering.
De structuur van dit literatuuroverzicht is als volgt. Eerst wordt het fenomeen
6
door de netwerkbenadering. Daarna wordt er ingezoomd op individuele stoornissen en uitgelegd hoe inter- en intra-individuele verschillen kunnen worden begrepen door stoornissen te
beschouwen als dynamische systemen van wederzijds interacterende symptomen. Het netwerkmodel wordt vervolgens geëvalueerd en een researchagenda en klinische implicaties worden besproken.
Een Netwerkbenadering van Comorbiditeit
Comorbiditeit is meer een regel dan een uitzondering (Kessler et al., 2005). Maar hoe ontstaat comorbiditeit? Een visie wordt uitgelegd die de laatste jaren aan dominantie heeft gewonnen in het wetenschappelijk klimaat: het liability spectrum model. Dit model wordt aan de tand gevoeld door de netwerkbenadering. Door psychopathologie te benaderen zonder de aanname van de common cause te doen wordt er ruimte gecreëerd voor een nieuwe conceptualisatie van comorbiditeit.
Een visie over comorbiditeit die de laatste jaren aan impact heeft gewonnen is het
liability spectrum model. Dit model werd empirisch geverifieerd in een meta-analyse van
Krueger & Markon (2006), waarin zij verschillende kandidaatmodellen over comorbiditeit linkten aan grootschalige empirische comorbiditeitsdata. 1 Volgens dit model van
psychopathologie worden verschillende stoornissen veroorzaakt door hogere orde factoren, te weten liabilities. Een liability is een indirect geobserveerde (latente) geneigdheid om een (manifeste) stoornis te ontwikkelen. Uit de datapatronen van dit onderzoek kwam naar voren dat er sprake is van een internaliserende liability die geassocieerd wordt met stemmings- en
1
7
angststoornissen zoals MDE, GAD en OCD; en een externaliserende liability die geassocieerd wordt met de antisociale persoonlijkheidsstoornis, problemen met de impulscontrole en middelenafhankelijkheid. Comorbiditeit ontstaat volgens dit hiërarchische model doordat twee stoornissen, neem bijvoorbeeld MDE en GAD, bekend om hun hoge mate van comorbiditeit (Kessler, Dupont, Berglund & Wittchen, 1999), beide geassocieerd zijn met de liability om internaliserende stoornissen te ontwikkelingen. Een aantal conceptuele vraagtekens kan geplaatst worden bij het positioneren van ‘superstoornissen’ (Cramer et al., 2010) zoals internalisatie en externalisatie.
Volgens het liability spectrum model kunnen comorbide stoornissen beschouwd worden als verschillende manifestaties van onderliggende liabilities. Dientengevolge worden de
superstoornissen aangewezen als onderliggende entiteiten. Uit de analyse van Krueger en Markon (2006) blijkt echter dat ook de liabilities internalisatie en externalisatie met elkaar correleren en daarmee zelf ook comorbide zijn. De vraag hoe dit komt wordt niet gesteld. Het vraagstuk van comorbiditeit wordt hiermee onbedoeld naar een hoger niveau geschoven, waardoor er sprake is van een homunculusprobleem: een argument dat een fenomeen uitlegt in termen van ditzelfde fenomeen. Het liability spectrum model bijt zichzelf daarmee in zijn eigen staart.
Een ander punt is dat van lokale onafhankelijkheid. Psychometrisch wordt een common
cause uitgedrukt aan de hand van een latente variabele: latente entiteiten worden, omdat ze niet
direct waargenomen kunnen worden, gemeten aan de hand van manifeste symptomen
(Borsboom, Mellenbergh & Van Heerden, 2003). Volgens het liability spectrum model worden stoornissen veroorzaakt door latente liabilities. Omdat de indicatoren causaal worden beïnvloed door de latente variabele, volgt hieruit dat elke correlatie tussen de indicatoren uitsluitend
8
verklaard kan worden door de causale invloed van de latente variabele (Borsboom, 2008). De correlatie verdwijnt wanneer de latente variabele constant wordt gehouden, wat resulteert in lokale onafhankelijkheid. Borsboom (2008) legt dit uit aan de hand van een metafoor met een thermometer. De correlatie tussen het aantal graden Celsius dat wordt aangegeven op
verschillende thermometers wordt uitsluitend veroorzaakt door de daadwerkelijke temperatuur in de lucht. Wanneer de temperatuur constant wordt gehouden, verdwijnt de correlatie op de thermometers. De temperatuur is daarmee de common cause van het graden Celsius op de thermometers. De comorbiditeit van psychopathologie wordt in het liability spectrum model, wanneer men uitgaat van een common cause, op die manier louter veroorzaakt door de superstoornissen. Noch stoornissen, noch symptomen kunnen dus op een directe manier met elkaar correleren. Krueger en Markon (2006) leggen uit dat de superstoornis internalisatie zich vertakt tot een factor negatief affect en een factor angst, maar uit dit model volgt dat deze
correlatie even illusoir is als de correlatie tussen het graden Celsius op thermometers. Niettemin is er tal van onderzoek dat beaamt dat angst directe invloed heeft op negatief affect (Brown, Chorpita & Barlow, 1998). De directe relatie maakt de assumptie van lokale onafhankelijkheid, en daarmee een common cause, zeer onwaarschijnlijk.
Er zijn dus argumenten aan te wijzen waarom een common cause niet plausibel is. Een netwerkbenadering van psychopathologie onderzoekt de structuur van psychopathologie zonder de aanname van de common cause te doen (Borsboom, 2008). De klemtoon komt daarmee te liggen op de directe interactie tussen de symptomen onderling. Waar in een common cause paradigma een stoornis vergeleken kan worden met de temperatuur die wordt gemeten aan de hand van een thermometer, kan in een netwerkmodel een stoornis gezien worden als
9
et al. (2010) leggen uit dat een stoornis beschouwd kan worden als cluster van symptomen die onderling meer en sterkere verbindingen hebben dan met symptomen uit andere clusters. Elk symptoomcluster heeft centrale en minder centrale symptomen, waarbij centraliteit wordt gemeten aan de hand van het aantal en de sterkte van de verbindingen dat een symptoom heeft met andere symptomen. Een centraal symptoom in een depressienetwerk is bijvoorbeeld negatief affect, daar het veel en sterke verbindingen heeft met omliggende symptomen, terwijl het symptoom suïcidale gedachten minder verbindingen heeft met andere symptomen en zich daarom aan de periferie van dat cluster bevindt.
Stoornissen kunnen in een netwerkmodel dus worden gezien als symptoomclusters. Cramer et al. (2010) passen dit raamwerk toe op comorbiditeit. Als een stoornis kan worden gezien als een symptoomcluster, kunnen comorbide stoornissen worden gezien als meerdere symptoomclusters met overlappende symptomen. Deze bridge symptomen hebben
verbindingen met symptomen uit meerdere clusters, waardoor verschillende clusters met elkaar verbonden worden. Een dergelijke zienswijze heeft een hoge face validity, leggen Cramer et al. uit. Stel dat iemand last heeft van een gegeneraliseerde angststoornis (GAD) en veel angst ervaart. Angst kan leiden tot slapeloze nachten wat kan leiden tot negatief affect (Shanahan, Copeland, Angold, Bondy & Costello, 2014), wat een symptoom is van depressie (DE) en op haar beurt andere symptomen van DE kan activeren. Slapeloosheid is daarmee een bridge symptoom dat de netwerken GAD en DE met elkaar verbindt.
Een ander voorbeeld van comorbiditeit betreft autisme en obsessief-compulsieve
stoornis (OCD; Ruzzano, Borsboom & Geurts, 2015). Vanuit het netwerkmodel kunnen autisme en OCD worden gezien als twee symptoomclusters waarbij het symptoom repetitief gedrag een
10
maakten zeven klinische psychologen een Perceived Causal Relations (PCR) taak. In een PCR-taak beoordelen deelnemers per symptoompaar of zij vinden dat die symptomen causaal met elkaar verbonden zijn en geven de richting van de causaliteit aan. De symptoomparen in dit onderzoek bestonden uit telkens combinaties van autisme en/of OCD symptomen. Uit de resultaten van de PCR-taak werd het Causal Clinician Network samengesteld: een visuele netwerkweergave van de ervaren causale verbanden tussen symptomen. Een visuele
netwerkanalyse wordt als volgt opgezet. Elk symptoom wordt gevisualiseerd aan de hand van een node. Een edge wordt getrokken tussen nodes die een directe relatie met elkaar hebben. Hier wordt vervolgens een algoritme van R-package igraph op toegepast, dat ervoor zorgt dat sterker verbonden sets van nodes zich dichter bij elkaar clusteren. De auteurs stelden ook twee andere visuele netwerkanalyses op. Zij analyseerden een bestaande dataset met symptomen van 213 kinderen met comorbide stoornissen en construeerden hieruit een correlationeel
datanetwerk. Aan de hand van een causale inferentiemethode bepaalden zij de causaliteit van dit netwerk en gaven dit weer in het Putative Causal Data Network. Zoals bleek uit analyses van connectiesterkte en centraliteit, lieten de drie netwerken eenduidig zien dat autisme en OCD twee verschillende symptoomclusters waren, omdat causale relaties meer voorkwamen tussen autisme- en OCD-nodes onderling dan tussen autisme- en OCD-nodes. Comorbiditeit tussen autisme en OCD werd op de volgende manier verklaard. Er waren twee directe causale relaties tussen autisme- en OCD-symptomen te vinden. Als eerste waren er twee symptomen in het OCD-cluster te vinden, rituelen en herhaaldelijk dingen doen, die predictief bleken voor symptomen van autisme. Dit zijn bridge symptomen die van het OCD naar autisme kunnen leiden. Als tweede was het autismesymptoom ongewone perceptuele interesses een predictor
11
voor OCD-symptomen. Op die manier kan autisme via bridge symptomen ook tot symptomen van OCD leiden.
Een kanttekening dient bij dit onderzoek geplaatst te worden. Het is van belang op te merken dat autisme in de regel wordt beschouwd als ontwikkelingsstoornis die zich al vroeg in de jeugd uit en die voornamelijk wordt veroorzaakt door perinatale factoren, en niet als stoornis die op elk moment kan onststaan, zoals depressie (Gardener, Spiegelman & Buka, 2011).Het is onduidelijk hoe de waarneming dat in de latere kindertijd OCD tot autismesymptomen zou kunnen leiden te verenigen is met deze conceptualisatie van autisme. Bovendien is de visie dat
bridge symptomen een rol spelen in de link tussen autisme en OCD niet in tegenspraak met een common cause hypothese. De mogelijkheid bestaat dat het overlappende gedeelte tussen twee
stoornissen een common cause heeft. In dat geval zou men kunnen spreken van een partial
cause van de overlap tussen autisme en OCD.
Autisme en OCD zijn niet de enige stoornissen die met bridge symptomen te verbinden zijn. De helft van de symptomen uit de DSM-IV kan op deze manier met elkaar verbonden worden. Borsboom, Cramer, Schmittmann, Epskamp & Waldorp (2011) maakten een visuele netwerkanalyse van de symptomen uit de DSM-IV. Ze reduceerden de 522 symptomen uit de DSM-IV tot 148 essentiele symptomen door symptomen die nauwelijks van elkaar te
onderscheiden zijn (e.g. psychomotor agitatie en rusteloosheid) als enkelvoudig symptoom te beschouwen. Uit de netwerkanalyse bleek dat ruim de helft van de symptomen, ofwel direct ofwel via een gezamenlijke verbinding met een ander symptoom, met elkaar verbonden was. Ook bleek er sprake van een giant component: bepaalde symptomen hadden veel vaker dan verwacht op basis van kansniveau verbindingen met andere stoornissen. Hierbij zagen de onderzoekers dat de symptomen slapeloosheid, psychomotor agitatie, psychomotor retardatie
12
en negatief affect de meest centrale symptomen in het netwerk zijn omdat zij de meeste verbindingen met andere symptomen hebben.2 Deze centrale nodes hebben een katalyserende functie en zorgen ervoor dat de activiteit in een netwerk zich snel verspreidt. De auteurs vergelijken psychopathologie met een epidemie: net zoals een epidemie niet stopt bij de grens van een ander land, stopt de ontwikkeling van psychopathologie niet op de grens van een andere stoornis.
Het risico bij het maken van een visuele netwerkanalyse op basis van symptomen uit de DSM is dat er een bias insluipt. De symptomen die gekozen zijn als criteria voor
DSM-stoornissen zijn namelijk een kleine subset van mogelijke symptomen (McGlinchey,
Zimmerman, Young & Chelminski, 2006) en zijn niet zozeer door empirische evidentie, maar door klinische consensus tot stand gekomen (Kendler & Zachar, 2008). Goekoop & Goekoop (2014) laten echter zien dat symptomen ook met elkaar verbonden zijn wanneer geen sprake is van invloed door de huidige classificatie van psychopathologie. Zij maakten een web waarbij niet de symptomen uit de DSM-V gebruikt werden maar symptomen die beschreven staan in de Comprehensive Psychopathological Rating Scale (CPRS), die symptoomscores van een grote set aan psychiatrische symptomen meet. De CPRS is niet geconstrueerd op basis van de DSM en bevindt zich derhalve buiten de invloedssfeer van de huidige classificatie (Åsberg & Schalling, 1979). De auteurs namen de CPRS af bij een heterogene groep van 192 poliklinische patiënten. Deze symptomen bleken eveneens met elkaar verbonden in een giant component.
Concluderend wordt een psychische stoornis vanuit een netwerkbenadering beschouwd als een cluster van symptomen, waarbij comorbiditeit ontstaat doordat bridgesymptomen verschillende symptoomclusters met elkaar verbinden. Door comorbiditeit te benaderen vanuit
2
In plaats van aan de hand van het aantal verbindingen, kan centraliteit ook gedefinieerd worden als de de proportie van kortste paden tussen twee nodes die via een derde node gaan. In dat geval zijn de meest centrale symptomen geirriteerd, afgeleid, angstig en depressief (Borsboom et al., 2011).
13
een symptoomgerichte aanpak waarbij de aanname van de common cause weggelaten wordt, kan begrepen worden waarom binnen het common cause paradigma comorbiditeit zo’n
onoplosbare puzzel is gebleken. De aard van psychopathologie is complex en dynamisch: het is daarom niet realistisch om psychopathologie te classificeren tot nette categorieën die
daadwerkelijk bestaande entiteiten reflecteren.
Een Netwerkbenadering van Heterogeniteit
Een psychische stoornis heeft vele gezichten. Dezelfde stoornis kan aanzienlijk verschillen tussen verschillende personen (i.e., interindividuele heterogeniteit; Wardenaar & De Jonge, 2013) en de continuïteit van een stoornis is niet stabiel over tijd (i.e., intra-individuele heterogeniteit; Oquendo et al., 2004). Bridge symptomen verbinden stoornissen met elkaar. Maar hoe komt het dat een symptoom bij de ene persoon wel ontstaat en bij de andere niet? En hoe ziet de onderlinge interactie van symptomen binnen een stoornis er uit? Door het weglaten van de aanname van de common cause ontstaat er ruimte voor een symptoomcentrale
benadering van psychopathologie. Door de dynamische interactie van deze symptomen onder de loep te nemen ontstaat er inzicht in de aard en de oorzaak van heterogeniteit.
Cramer et al. (2010) menen dat ook heterogeniteit beter uitgelegd kan worden in een netwerkperspectief dan in een common cause perspectief. In het common cause paradigma heerst de impliciete aanname dat alle symptomen van een psychische stoornis voortkomen uit een enkelvoudige oorzaak, net zoals alle symptomen van het syndroom van Down voortkomen uit een anomalie in het aantal chromosomen (Borsboom, 2008). Een categorisch model biedt
14
geen verklaring voor de heterogeniteit van stoornissen (Borsboom, 2008). Een dimensioneel model van psychopathologie daarentegen maakt, omdat er oneindig veel posities zijn binnen het psychopathologische continuüm, meer ruimte voor interindividuele heterogeniteit (Borsboom, 2008). Niettemin wordt in geen van beide modellen intra-individuele
heterogeniteit, oftewel het beloop van een stoornis over tijd binnen een individu, belicht. Inter- en intra-individuele heterogeniteit zijn geen afzonderlijk te beschouwen fenomenen
(Wardenaar & De Jonge, 2013). Om te begrijpen waarom stoornissen zich verschillend uiten bij verschillende mensen, is het nodig te begrijpen waarom een stoornis niet continu is over tijd in een individu. Vanuit een netwerkbenadering wordt een stoornis beschouwd als een cluster van wederzijds interacterende symptomen. Deze interactie is niet statisch van aard maar een continu dynamisch proces dat zich ontvouwt over tijd. Doordat in een netwerkmodel de dimensie tijd inherent is aan de conceptualisatie van psychopathologie wordt het mogelijk zowel inter- als intra-individuele heterogeniteit te onderzoeken.
Intra-individuele heterogeniteit kan worden gezien als de continue verschuiving tussen een gezonde pool enerzijds en een pathologische pool anderzijds (Wichers, 2014). Om de aard van deze constante verschuiving te begrijpen, is het van belang de ontwikkeling van een gezonde naar een pathologische staat te bestuderen. Een voorbeeld daarvan is rouw. Rouw na het verlies van een dierbare is iets wat iedereen meemaakt en wordt niet beschouwd als pathologische toestand. Een kleine minderheid echter lukt het niet om zo’n verlies na verloop van tijd te verwerken en ontwikkelt Persistent Complex Bereavement Disorder (PCBD), een stoornis die zich kenmerkt door chronisch verdriet, eenzaamheid en het niet los kunnen laten van de overleden partner. Robinaugh, LeBlanc, Vuletich & McNally (2014) leggen uit dat rouw kan uitgroeien tot een pathologisch syndroom via een causale keten van elkaar activerende
15
symptomen. Hierbij functioneren bepaalde symptomen als gateway naar het syndroom. Dit zijn symptomen die temporeel als eerste voorkomen en andere symptomen kunnen
‘aanzetten’. De sterkte tussen de onderlinge symptoomverbindingen verschilt tussen mensen en een gateway symptoom zal daarom bij sommigen wel, en bij anderen niet een ander symptoom veroorzaken. Zo’n gateway symptoom kan bij iemand een centraal symptoom ‘aanzetten’ dat veel en sterke verbindingen heeft met andere symptomen en daarom als katalysator werkt voor het ontwikkelen van de stoornis. Als zo’n katalysatorsymptoom eenmaal wordt geactiveerd, is de kans groot dat er een kettingreactie op gang wordt gebracht waarbij ook andere symptomen ontstaan.
In dit onderzoek werden de data uit de longitudinale Changing Lives of Older Couples (CLOC) studie gebruikt. Het ging om de data van 1532 ouderen van minimaal 65 jaar of mensen die een echtgenoot hadden van minimaal 65 jaar. Onder hen hadden 335 ouderen sinds de baselinemeting hun partner verloren. Symptomen van PCBD werden gemeten aan de hand van een vragenlijst op 6, 18 en 48 maanden na het overlijden van de partner. Per
symptoom werd het gemiddelde onder de 335 deelnemers berekend. De data werden gevisualiseerd in een correlatienetwerk. Vanuit het correlatienetwerk werd het predictief vermogen van symptomen berekend en vervolgens een relative importance netwerk
geconstrueerd. De auteurs ontdekten dat het symptoom verlangen naar de overleden partner een gateway was naar andere symptomen van PCBD: een eerste schakel van een potentiële kettingreactie. Dit symptoom kwam voor bij nagenoeg alle deelnemers en was temporeel het eerste symptoom dat voorkwam. Hoewel verlangen naar de overleden partner een
voorspellend vermogen had op andere symptomen, waren de connecties die het had met andere symptomen niet sterk, waardoor enkel dit symptoom het niet direct aannemelijk maakt
16
dat iemand PCBD ontwikkelt. Verlangen naar de overleden partner had echter wel een matig voorspellend vermogen op emotionele pijn, wat op haar beurt een centraal symptoom in het PCBD-netwerk bleek te zijn met een sterk predictief vermogen op andere symptomen. Met andere woorden, verlangen is een gateway dat een eerste schakel is van een mogelijke kettingreactie maar zal slechts bij een kleine minderheid daadwerkelijk tot een symptomale kettingreactie leiden. Emotionele pijn daarentegen kan beschouwd worden als een
katalysatorsymptoom: door de centraliteit in het netwerk is het in staat een kettingreactie te ontketenen. Merk hierbij de parallel met bridge symptomen op. Beide hebben een
overbruggingsfunctie: waar bridge symptomen een schakel vormen tussen twee stoornissen, zijn katalysatorsymptomen een schakel tussen een gezonde en een pathologische staat.
Robinaugh et al. (2014) veronderstellen dat de relatie tussen symptomen causaal is. Ze gebruiken de relative importance, oftewel de proportionele bijdrage van een symptoom aan de verklaarde variantie, om een schatting te maken van de causaliteit. Een relative importance netwerk geeft de sterkte van verbindingen en gewichten van symptomen weer. Aan de hand van een dergelijk netwerk kan een onderscheid gemaakt worden tussen directe associaties en associaties vanwege een gedeelde associatie met een derde symptoom. Hoewel het op basis van
relative importance weliswaar mogelijk is de sterkte en de richting van de relatie tussen
symptomen te berekenen, kan causaliteit niet worden bepaald (Johnson & LeBreton, 2004). Omdat de precieze aard van de relatie tussen symptomen nog onzeker is, is het zinvoller om over gateway en katalysatorsymptomen te spreken in termen van risicofactoren en niet
oorzaken van andere symptomen die een kettingreactie veroorzaken.
Met een gateway symptoom als beginpunt kan, via de activatie van een
17
duidelijk hoe een pathologische staat ontstaat uit een gezonde staat. Het beloop van een stoornis is echter per persoon verschillend. PCBD is een recent ingevoerde stoornis en werd tot voor kort niet onderscheiden van depressie (Parkes, 2014). Maar rouw kan ook tot depressie leiden. Uit het onderzoek van Fried et al. (2015) blijkt dat PCBD en depressie verschillende gateways hebben. De data die zij gebruikten kwamen eveneens uit de CLOC studie. Aan de hand van de Center for Epidemiologic Studies Depression Scale (CES-D) vergeleken de auteurs
depressiesymptomen tussen ouderen die hun partner hadden verloren en ouderen die nog getrouwd waren. Zij gebruikten een causaal zoekalgoritme om predictieve symptomen aan te wijzen. Uit de resultaten bleek dat de meeste deelnemers na het verliezen van een partner last hadden van verdriet, wat op zichzelf geen sterke predictor was voor depressie, maar wel voor eenzaamheid. Eenzaamheid op haar beurt had bleek een sterke predictor voor veel
depressiesymptomen.
Verdriet kan dus gezien worden als gateway symptoom en eenzaamheid kan worden gezien als katalysatorsymptoom van depressie als gevolg van rouw. Waar verlangen naar de partner een risicofactor is voor PCBD, is verdriet een risicofactor voor depressie. Hoewel PCBD en depressie verschillende stoornissen zijn, wordt aan de hand van dit onderzoek een belangrijk fenomeen geillustreerd: symptomen die in een vroeg stadium voorkomen hebben een groots effect op het verdere verloop van van de interactie tussen symptomen en leiden zo tot
individuele verschillen in psychopathologie. Omdat in een netwerkmodel stoornissen niet worden beschouwd als losstaande entiteiten maar symptoomclusters die met elkaar verbonden zijn, is het waarschijnlijk dat vroege symptomen ook invloed hebben op het verloop van
18
Vroege symptomen hebben een groot effect op het verloop van een stoornis en leiden zo tot individuele verschillen. Maar niet alleen (observeerbare) symptomen spelen een rol in dit proces. Ook externe, mogelijk latente variabelen hebben invloed op deze interactie tussen symptomen (Cramer et al., 2010).Zo hebben attitudes, levensgebeurtenissen, gedachten, gedrag en gevoelens een modererende rol op het verdere verloop van een stoornis (Robinaugh et al., 2014; Cramer, Borsboom, Aggen & Kendler, 2012; Wichers, 2014). Bij het ontwikkelen van PCBD bijvoorbeeld is zowel interpersoonlijke afhankelijkheid als afhankelijkheid van de partner een risicofactor (Robinaugh et al., 2014). Echter leiden deze attitudes tot verschillende
manifestaties van PCBD. Zo bleek in dit onderzoek dat interpersoonlijke afhankelijkheid een sterke predictor was van emotionele pijn, gedachten over de dood, gevoel van ongeloof, apathie en gevoel van verminderde identiteit. Afhankelijkheid van de partner daarentegen voorspelde een interactie van symptomen waarin het gevoel dat het leven geen betekenis heeft,
verminderde identiteit en angst voor de toekomst centraal stonden. Op deze manier is te begrijpen dat interindividuele verschillen in het beloop van de stoornis veroorzaakt kunnen worden door externe factoren.
Cramer et al. (2010) benadrukken dat een externe of latente factor die invloed heeft op het beloop van een stoornis, geen common cause is van de symptomen, maar een
intermediërende factor. Echter is dit niet in tegenspraak met een (dimensioneel) common cause model. De vraag kan namelijk gesteld worden of de relatie tussen een externe of latente factor en de symptoominteractie gemediëerd kan worden door individuele verschillen in de liability om een stoornis te ontwikkelen. Cramer et al. (2012) onderzochten deze mogelijkheid aan de hand van de relatie tussen levensgebeurtenissen en depressie. Ook levensgebeurtenissen kunnen namelijk een effect op het verloop van een stoornis hebben, laten zij zien. Zo kan een scheiding,
19
in vergelijking met bijvoorbeeld een slechte gezondheid, leiden tot een andere manifestatie van en bovenal een zwaardere depressie. Het is niet uit te sluiten dat dergelijke verschillen in symptoominteracties tot stand komen door individuele verschillen in de liability om een depressie te ontwikkelingen. In dat geval is er geen sprake van een directe invloed van de levensgebeurtenissen op symptoominteractie, maar wordt het verschil in ernst van de depressie verklaard doordat men na een scheiding eerder geneigd is om een depressie te ontwikkelen, dan naar aanleiding van een slechte gezondheid. De depressie veroorzaakt in dit model vervolgens de symptomen. Cramer et al. onderzochten of het verschil in impact tussen verschillende levensgebeurtenissen verklaard kon worden door individuele verschillen in de liability of dat er sprake was van een directe modererende invloed van stressfull life events (SLE’s) op de
symptomen. De 2096 deelnemers, allen tweelingen, hadden allemaal een depressieve episode (DE) meegemaakt. Aan hen werd in een interview gevraagd van welke symptomen zij last hadden en wat de aanleiding was geweest van de DE. De aanleidingen werden onderverdeeld in vier typen: stress, relatiebreuk, gezondheid en interpersoonlijk conflict. Voor elk SLE werden correlaties tussen en centraliteit van de symptomen berekend en visueel weergegeven in een netwerk. Als eerste werd vastgesteld dat de correlatiepatronen van de symptomen tussen de vier SLE-groepen van elkaar verschilden. Zo was verminderde eetlust een centraal symptoom bij een DE ten gevolge van een conflict, maar een perifeer symptoom ten gevolge van andere SLE’s. Er werd vervolgens gekeken of de verschillen in de correlatiepatronen tussen de SLE-groepen verklaard konden worden door onderliggende individuele verschillen in de liability voor het ontwikkelen van een DE of dat zij direct verklaard konden worden door de SLE. Dit deden zij door modellen te maken van deze opties en die met elkaar te vergelijken. In het eerste model veroorzaakte elk SLE in verschillende mate een DE, die in verschillende mate symptomen
20
veroorzaakte. In het tweede model had elk SLE een (directe) differentiale impact op symptomen die op hun beurt een differentiale impact hadden op andere symptomen. De modellen werden getoetst aan de hand van de empirische data. Het tweede model, waarin SLE’s een directe impact hebben op de symptomen, bleek een betere verklaring van de data. Het is daarmee niet waarschijnlijk dat een liability om een depressie te ontwikkelen een modererend proces is in de relatie tussen een levensgebeurtenis en het beloop van de stoornis, maar wordt het beloop van een stoornis direct door een levensgebeurtenis gemodereerd.
Interindividuele heterogeniteit kan worden begrepen doordat latente of externe variabelen kunnen leiden tot een verschillend beloop van de stoornis. Ook de mate en de duur waarin een stoornis aanhoudt verschillen onder mensen. Bij de instandhouding van een stoornis spelen feedbackloops een belangrijke rol. Dit zijn series van elkaar wederzijds versterkende variabelen, waardoor een vicieuze cirkel ontstaat en het syndroom in stand blijft of verergert (Borsboom et al., 2011). Daarnaast bestaan er individuele verschillen in de sterkte tussen de verbindingen die men heeft: bij mensen die een hoge symptoomconnectiviteit hebben zullen feedbackloops zich sneller ontwikkelen waardoor een stoornis zich makkelijker ontwikkelt en in stand blijft (Cramer et al., 2010). Robinaugh et al. (2014) beschrijven de volgende feedbackloop. Bij mensen met PCBD spelen gedachten aan de overledene een belangrijke rol. Dit leidt tot verlangen naar de overledene, wat tot toenaderingsgedrag naar de overledene leidt (tijd doorbrengen met foto’s, kleding, etc. van de overledene), wat tot meer gedachten aan de
overledene leidt. Op deze manier wordt het syndroom in stand gehouden. Wichers (2014) brengt nog meer verfijning aan in deze conceptualisatie. Zo meent ze dat feedbackloops niet alleen op het niveau van symptomen bestudeerd moeten worden, maar er nog verder ingezoomd moet worden op de continue microlevel interactie van gevoelens, gedrag en gedachten. Zij legt de
21
relatie tussen slaapproblemen en depressie op de volgende manier uit. Verminderde
slaapkwaliteit kan een negatieve invloed hebben op een goede gemoedstoestand gedurende de volgende dag (Hasler et al., 2012). 3 Een goede gemoedstoestand heeft doorgaans een positief effect op motivatie en zorgt ervoor dat iemand zin heeft in het ondernemen van activiteiten. Door het ondernemen van deze activiteiten krijgt hij nog meer positief affect. Dit is een positieve feedbackloop. Wanneer iemand verminderd positief affect ervaart als gevolg van een slechte slaap, is hij minder gemotiveerd om dingen te ondernemen, waardoor het negatieve affect bevestigd en versterkt wordt. Hierdoor ontstaat een negatieve feedbackloop. Mensen verschillen in de connectiesterkte die ze hebben: bij iemand met een lage connectiviteit tussen slaapgebrek en affect zal de kettingreactie van symptomen op dat punt verbroken worden en zal er ook geen feedbackloop ontstaan die het syndroom in stand houdt. Op deze manier wordt duidelijk hoe feedbackloops een rol spelen in de instandhouding van stoornissen en hoe de interindividuele heterogeniteit hierin begrepen kan worden door individuele verschillen in connectiesterkte.
Verschillen in connectiesterkte geven een inkijk in waarom bij de een wel en bij de ander geen stoornis ontstaat en in stand blijft. De vraag is of verschil in connectiesterkte antwoord geeft op de vraag hoe individuele verschillen tot stand komen, of juist eerder de vraag ontwijkt. Het netwerkmodel geeft namelijk geen antwoord op de vraag hoe individuele verschillen in
connectiesterkte ontstaan. Het netwerkmodel biedt door individuele verschillen in
connectiesterkte expliciet te maken, in tegenstelling tot categorische en dimensionele modellen, weliswaar ruimte individuele verschillen te onderzoeken, maar geeft nog geen sluitende
verklaring voor die verschillen.
3Door ook positief affect te implementeren in een netwerk kan niet alleen de ontwikkeling maar ook het herstel van
22
Het netwerkmodel belicht de inter- en intra-individuele heterogeniteit van psychopathologie. Dit vraagt om een manier om het beloop van iemands individuele
psychopathologie over tijd in kaart te brengen en visueel weer te geven. Iemands individuele causale connectiesterktes kunnen worden vastgesteld aan de hand van een PCR-schaal. Hierin beoordelen patiënten per symptoompaar of zij vinden dat die symptomen causaal met elkaar verbonden zijn en geven de richting van de causaliteit aan. Frewen, Schmittman, Bringmann en Borsboom (2013) laten zien dat een PCR-schaal een goede manier is om de daadwerkelijke frequentie van en sterkte tussen symptomen te voorspellen. Aan 288 deelnemers werd gevraagd hoe vaak zij gedurende de afgelopen maand symptomen van depressie en verschillende
angststoornissen hadden meegemaakt. Ook werd middels een PCR-schaal aan de deelnemers gevraagd in hoeverre zij een causaal verband ervoeren tussen de symptomen die zij hadden. De gemiddelde sterkte van de causaliteit en effectivity (“omgekeerde causaliteit”) werd per
symptoom berekend. De auteurs onderzochten de associatie tussen de PCR-schaal en de
symptoomfrequentieschaal. Als eerste vonden zij dat de frequentie van de symptomen schaamte en herbeleven van trauma’s een verband had met de frequentie van symptomen van depressie. De sterkte van dit verband was een functie van de mate waarin de deelnemers ervoeren dat herbeleven en angstsymptomen oorzaken waren van hun depressieve symptomen. Het effect van herbeleven van trauma, dat een partiële mediator in de relatie tussen gevoelens van schaamte en depressiesymptomen bleek, werd tevens gemodereerd door de mate waarin deelnemers zelf een causale ketting ervoeren van schaamte → herbeleven van trauma’s → depressie. PCR-schalen zijn daarmee een goede voorspeller voor het verloop van een stoornis en kunnen gebruikt worden als benadering van de sterkte van het verband dat verschillende
23
Frewen et al. (2014) doen echter de veronderstelling dat de ervaren causaliteit van symptomen getuigt van impliciete zelfkennis over de connectiesterkte van de eigen symptomen en daarom een goede voorspeller is van het verloop van de stoornis. Dit is onderzocht door de associatie te onderzoeken tussen ervaren causaliteit en de daadwerkelijke frequentie tussen symptomen. Desalniettemin kan hiermee niet worden uitgesloten dat de ervaren causaliteit tussen de symptomen een modererend effect heeft op de frequentie van symptomen. Hoewel deze mogelijkheid geen invloed heeft op de mate waarin een PCR-schaal gebruikt kan worden als voorspeller van het verloop van de stoornis, is het toch van belang te weten in hoeverre de ervaring van causaliteit een zuivere voorspeller is. Als overtuigingen een moderator kunnen zijn op het verdere verloop van een stoornis (Robinaugh et al., 2014), is het namelijk niet
ondenkbaar dat de overtuiging van een sterke causaliteit dat ook is. Iemand kan door een negatieve bias (Klein, Fensil-Morse & Seligman, 1976) mogelijk een hoge causaliteit tussen de eigen symptomen ervaren wat kan leiden tot een verhoging van de daadwerkelijke causaliteit. Op die manier zou er sprake zijn van een self-fulfilling prophecy en mogelijk een negatieve feedbackloop.
Een meer geavanceerde methode om inzicht te krijgen in individuele temporele
dynamiek van psychopathologie is Experience Sampling Methodology (ESM; Bringmann et al., 2013). Deze methode meet geen symptomen maar gemoedstoestanden. ESM is een
gestructureerde dagboektechniek waarbij dezelfde factoren herhaaldelijk worden gemeten. De deelnemers krijgen een digitale armband om waarop zij per tijdsblok van 90 minuten op een willekeurig moment een notificatie krijgen. Hierop vullen zij hun gemoedstoestand en de sociale context van dat moment in. Met behulp van ESM kan de netwerkdynamiek van een individu temporeel worden weergegeven. Om deze methode proefondervindelijk te toetsen, werd
24
gedurende 12 dagen een ESM-studie uitgevoerd bij 129 mensen met residuele depressieve symptomen, waarbij de eerste 6 dagen de baselineperiode vormden. In deze studie werden verschillende gemoedstoestanden gemeten (blij, tevreden, angstig, verdrietig). Hierna werden de deelnemers willekeurig opgedeeld in een interventieconditie of een controleconditie. In de interventieconditie kregen zij een psychotherapeutische behandeling en in de controleconditie werden zij op een wachtlijst geplaatst. Na 2-3 maanden vond de follow up meting plaats en werd opnieuw gedurende 6 dagen een ESM-meting afgenomen. Het doel van dit experiment was om data te genereren die gebruikt werden om een experimenteel visueel netwerk te construeren dat individuele verschillen weergeeft. Om deze reden worden de resultaten van de data van deze proef niet besproken. Om de data te kunnen analyseren ontwikkelden de auteurs een nieuwe combinatie van VAR modeling (multivariate uitbreiding van een autoregressief model) en multilevel modeling. Een VAR model werd toegepast op het herhaaldelijk meten van variabelen binnen een individu. Door het VAR model te combineren met een multilevel model kon ook de dynamiek van een populatie worden weergegeven, doordat het multilevel model ervoor zorgde dat de VAR-coëfficienten kunnen verschillen tussen individuen. Een populatienetwerk werd tot stand gebracht door eerst de gemiddelde connectiesterkte tussen alle variabelen in de populatie te schatten. Op deze manier is het mogelijk tegelijkertijd op zowel intra- als interindividueel niveau de temporele dynamiek van symptomen weer te geven.
Met behulp van ESM is het mogelijk voorspellingen te doen over de heterogene aard van het beloop van een stoornis (Van de Leemput et al., 2014). Deze auteurs vergelijken
gemoedstoestand met een ecosysteem. In een ecosysteem, zoals een oceaan, kan een kleine verschuiving, een zogenaamd omslagpunt, een enorme shift naar een contrasterende staat veroorzaken (het gepopulariseerde butterfly effect). In gemoedstoestand kunnen kleine
25
microverschuivingen een shift veroorzaken van een depressieve naar een gezonde staat of omgekeerd. Van de Leemput et al. (2014) laten zien dat het mogelijk is om te voorspellen of iemand zich dichtbij of ver van een gemoedstransitie bevindt. Zij ontwikkelden een techniek om te voorspellen of er een shift zal plaatsvinden tussen een normale en een depressieve toestand. Vlak voor een systeem een omslagpunt nadert vindt het fenomeen critical slowing down plaats, wat inhoudt dat er een stabilisatie optreedt tussen variabelen. Critical slowing down kan berekend worden door temporele autocorrelatie, variantie en correlatie tussen fluctuaties van emoties. Hiervoor analyseerden de auteurs de data van deelnemers die waren onderverdeeld in een conditie van mensen met depressie of een conditie van mensen zonder depressie. Zij kregen een therapeutische interventie gevolgd door een ESM-studie. Het doel was om te analyseren of de hypothetische vroege waarschuwingssignalen (autoregressiecoëfficienten, variantie, en correlatie tussen emoties die verkregen waren uit de herhaalde ESM-metingen) geassocieerd waren met de data uit de follow up-ESM van depressie in beide condities. Deze data werden geanalyseerd aan de hand van twee modellen. Van de Leemput et al. (2014) concluderen dat er een verhoogde kans is op opkomende shifts tussen een depressieve en een gezonde
gemoedstoestand bij personen bij wie critical slowing down geconstateerd wordt. Op deze manier wordt het mogelijk gemaakt voorspellingen te doen over het beloop van iemands stoornis over tijd.
Resumerend kan heterogeniteit vanuit een netwerkbenadering begrepen worden door de dynamische interactie van symptomen te onderzoeken. Welke symptomen in het begin van een symptomale kettingreactie worden geactiveerd, heeft een groot effect op het verdere verloop van psychopathologie. Deze vroege symptomen functioneren als gateways van een syndroom: dit zijn de eerste symptomen een potentiele stoornis. Gateway symptomen zullen bij sommige
26
mensen, afhankelijk van de persoonlijke reactiviteit, een centraal symptoom veroorzaken. Deze katalysatorsymptomen kunnen een kettingreactie veroorzaken die in stand wordt gehouden door feedbackloops. Op dat moment spreken we van een stoornis. Ook externe en latente processen spelen een rol en kunnen het verdere verloop van een stoornis beïnvloeden. Bovendien kunnen individuele netwerken in kaart worden gebracht aan de hand van ESM-studies en is het aan de hand van zo’n individueel netwerk ook mogelijk voorspellingen te doen over verschuivingen in gemoedstoestand.
Conclusie
Door psychopathologie te benaderen als het resultaat van dynamische interactie van symptomen kan worden begrepen hoe comorbiditeit en heterogeniteit ontstaan. Syndromen kunnen worden gezien als symptoomclusters waarbij elk symptoomcluster centrale en minder centrale symptomen heeft en die door bridge symptomen met andere clusters worden
verbonden. Onderlinge verschillen in dezelfde stoornis kunnen worden begrepen doordat de symptomen die vroeg worden geactiveerd, een groot effect hebben op het verdere verloop van de interactie. Maar ook latente processen spelen een rol en kunnen het verdere verloop van de stoornis beinvloeden. Een netwerkbenadering heeft hiermee mogelijk een antwoord gegeven op de vragen hoe comorbiditeit en heterogeniteit ontstaan.
De wetenschap heeft lang geworsteld met de vraagstukken van comorbiditeit en heterogeniteit. Tot op heden is het niet gelukt deze vraagstukken op te lossen wat reden is geweest om te twijfelen aan het fundament waarop de psychopathologie is gebouwd. In een
27
common cause model kunnen comorbiditeit en heterogeniteit niet worden begrepen en het lijkt
daarom geen waarschijnlijk model. Het inzicht dat de problemen comorbiditeit en heterogeniteit kunnen worden uitgelegd vanuit een netwerkmodel maakt dit tot een aannemelijker model.
Discussie
Enkele kanttekeningen dienen in ogenschouw te worden genomen. Daarna worden suggesties voor een researchagenda besproken en tot slot worden klinische implicaties uitgelicht.
Een netwerkbenadering legt de nadruk op symptomen in tegenstelling tot syndromen. Enige voorzichtigheid is hierbij geboden. Het is namelijk van belang symptomen niet te
beschouwen als bestaande homogene entiteiten (zoals e. g. in Fried, Nesse, Zivin, Guille & Sen, 2014) en op die manier de hypothese van de common cause onbedoeld te verschuiven naar het niveau van symptomen. Cramer et al. (2010) doen bijvoorbeeld de suggestie dat brainmapping-onderzoek gedaan zou moeten worden op het niveau van individuele symptomen. Maar
symptomen kunnen ook erg heterogeen zijn en zijn mogelijk zelf meer als netwerken dan als entiteiten te beschouwen. Neem het symptoom slaapproblemen: dit is een ingewikkeld en heterogeen proces dat niet valt te reduceren tot een enkelvoudig proces in het brein (Harvey, Schmidt, Scarna, Semler & Goodwin, 2014).
Een common cause van stoornissen lijkt implausibel. Toch wijzen de voorstanders van een netwerkbenadering te voorbarig de mogelijkheid van een partial cause af. Zo stellen Cramer et al. (2010) dat in een netwerkmodel geen reden is om een latente variabele te implementeren. Niettemin is het van belang psychopathologie niet te generaliseren: als iets immers duidelijk is,
28
is het dat psychopathologie heterogeen is. Bijgevolg is het denkbaar dat een netwerkmodel niet voor alle vormen van psychopathologie even geschikt is. Zo is het de vraag of dit model
geëxtrapoleerd kan worden naar AS-II problematiek. Persoonlijkheidsproblematiek wordt vaak uitgelegd in termen van complexe intrapsychische mechanismen (‘splitting’ en ‘projectie’; Feinstein, 2015). De vraag is hoe dergelijke mechanismen in een symptoomnetwerk gerealiseerd kunnen worden. Ook kan een common cause weliswaar niet een hele stoornis verklaren, maar kan er niet worden uitgesloten dat in sommige stoornissen ‘subclusters’ aan te wijzen zijn die een homogene etiologie hebben.
In de literatuur over het netwerkmodel wordt gesproken over de directe interactie tussen symptomen. Sommige auteurs doen de suggestie dat deze relatie voornamelijk causaal van aard is (e.g. Robinaugh et al., 2014). Deze hypothese is echter zowel voorbarig als te sterk. De
etiologie van een symptoom is ongetwijfeld complexer dan slechts een enkel ander symptoom. Aannemelijker is dat er sprake is van een multifactorieel proces waarbij symptomen gedeelde associaties hebben met latente factoren, die op hun beurt invloed hebben op meerdere
symptomen. Het is daarom van belang niet in alle voorbarigheid van causaliteit te spreken en de fout te maken een symptoom te zien als common cause van een ander symptoom.
Het netwerkmodel staat nog in haar kinderschoenen. Er zijn veel vervolgstappen nodig om een blijvende impact te maken op de wetenschap. Daarvoor is het van belang als eerste de directe relaties tussen symptomen robuust aan te tonen en ook de aard van deze relaties te onderzoeken. Er is tot zover sprake van longitudinaal en quasi-experimenteel onderzoek.
Randomized controlled trials zijn van groot belang om de corpus aan evidentie te verrijken. Een
andere belangrijke vraag is hoe verhinderd kan worden dat psychopathologie zich binnen een individu als een epidemie verspreidt. In cognitieve therapie wordt impliciet al gepoogd de
29
onderlinge verbindingen tussen symptomen te verkleinen (Beck, 1979). Om deze lijn voort te zetten is het van belang om de landkaart van psychopathologie verder te ontwikkelen door
gateway, katalysator- en bridge symptomen van stoornissen te traceren.
Een netwerkmodel heeft een hoge face validity. Veel clinici werken impliciet met de assumpties van een netwerkmodel (Beck, 1979). Veel wetenschappers die in aanraking komen met het netwerkmodel vinden het aannemelijker dan een common cause model (e.g. Bornstein, 2010; Haslam, 2010; Haig & Vertue, 2010). Onvermijdelijk is de vraag hoe het komt dat zo’n geloofwaardig model zo onderbelicht is geweest. Hoe komt het dat men blind voor de common
cause hypothese gevallen is? Haslam, Bastian, Bain & Kashima (2006)spreken van een
ingebouwde bias met een evolutionair voordeel dat zich ook op andere velden voordoet dan enkel psychopathologie. Zo is deze bias ook aanwezig in de geneeskunde (Campbell, Scadding & Roberts, 1979). Het is waardevol deze bias nader te onderzoeken omdat onze gebiaste geest tot een minder objectieve wetenschap kan leiden dan we zelf denken.
Als laatste heeft het netwerkmodel grootschalige klinische implicaties. In therapie zou iemands persoonlijke temporele netwerk in kaart gebracht kunnen worden met behulp van ESM. Dit kan tegenwoordig makkelijk worden toegepast aan de hand van een applicatie op een smartphone (Isomursu, Tähti, Väinämö & Kuutti, 2007). Op die manier kan men inzicht krijgen in individuele symptoomdynamiek en risicofactoren. Ook kan zo de invloed van therapeutische interventies vastgesteld worden. Individuele gateway-, katalysator- en bridge symptomen kunnen worden vastgesteld. Zodoende kunnen vroege waarschuwingssignalen van een stoornis worden getraceerd. Bovendien maakt het in kaart brengen van iemands individuele
netwerkstructuur mogelijk om voorspellingen te doen over toekomstige shifts naar een minder gezonde staat die met behulp van interventies vermeden kunnen worden.
30
Waar comorbiditeit en heterogeniteit vanuit een common cause model worden gezien als storende factoren die uit de weg geruimd moeten worden, omarmt het netwerkmodel deze juist als waardevolle bronnen van informatie die inzicht verschaffen in het complexe karakter van psychopathologie. We hebben daarmee comorbiditeit en heterogeniteit onterecht aangezien als een onscherpe lens van de telescoop waarmee we naar het landschap van psychopathologie kijken. In werkelijkheid zijn comorbiditeit en heterogeniteit het uitzicht zelf.
31
Literatuurlijst
Albert, R. & Barabási, A-L. (1999). Emergence of Scaling in Random Networks. Science, 286, 509-512.
Albert, U., Rosso, G., Maina, G., & Bogetto, F. (2008). Impact of anxiety disorder comorbidity on quality of life in euthymic bipolar disorder patients: Differences
between bipolar I and II subtypes. Journal of Affective Disorders 105, 297–303. Åsberg, M., & Schalling, D. (1979). Construction of a new psychiatric rating instrument, the
Comprehensive Psychopathological Rating Scale (CPRS). Progress in
neuro-psychopharmacology, 3(4), 405-412.
Beck, A. T. (Ed.). (1979). Cognitive therapy of depression. Guilford press.
Beem, A. L., de Geus, E. J., Hottenga, J. J., Sullivan, P. F., Willemsen, G., Slagboom, P. E., & Boomsma, D. I. (2006). Combined linkage and association analyses of the 124-bp allele of marker D2S2944 with anxiety, depression, neuroticism and major
depression. Behavior genetics, 36(1), 127-136.
Blashfield, R. K., Keeley, J. W., Flanagan, E. H., & Miles, S. R. (2014). The cycle of classification: DSM-I through DSM-5. Annual review of clinical psychology, 10, 25-51.
Bonanno, G. A., Wortman, C. B., Lehman, D. R., Tweed., R. G., Haring, S., Donners, J., Nesse, R. M. (2002). Resilience to Loss and Chronic Grief: A Prospective Study from Preloss to 18-Months Postloss. Journal of Personality and Social Psychology, 83, 1150-1164. Bornstein, R. F. (2010). The rocky road from Axis I to Axis II: Extending the network model of
diagnostic comorbidity to personality pathology. Behavioral and brain sciences, 33(2-3), 151-152.
32
Borsboom, D. (2008). Psychometric Perspectives on Diagnostic Systems. Journal of Clinical
Psychology, 64(9), 1089-1108.
Borsboom, D., Cramer, A. O. J., Schmittmann, V., Epskamp, S., & Waldorp, L. J. (2011). The Small World of Psychopathology. PLoS One, 6(11): e27407.
Borsboom, D., Mellenberg, G. J., & Van Heerden, J. (2003). The theoretical status of latent variables. Psychological Review, 110, 203-219
Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., Borsboom, D., & Tuerlinckx, F. (2012). A Network Approach to Psychopathology: New Insights into Clinical Longitudinal Data. PLoS ONE 8, e60188. doi:10.1371/journal.pone.0060188 Brown, T. A., Chorpito, B. F., & Barlow, D. H. (1998). Structural relationships among
dimensions of the DSM-IV anxiety and mood disorders and dimensions of negative affect, positive affect, and autonomic arousal. Journal of Abnormal Psychology, 107(2), 179-192. http://dx.doi.org/10.1037/0021-843X.107.2.179
Buchanan, R. W. & Carpenter, W. T. (1994).Domains of Psychopathology: An Approach to the Reduction of Heterogeneity in Schizophrenia. Journal of Nervous Mental Disorders, 182(4):193-204
Campbell, E. J. M., Scadding, J. G., & Roberts, R. S. (1979). The concept of disease. BMJ,
2(6193), 757-762.
Clark, L. A., Watson, D., & Reynolds, S. (1995). Diagnosis and classification of psychopathology: Challenges to the current system and future directions. Annual review of
psychology, 46(1), 121-153.
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
33
Depressive Symptom Inter-correlations. Psychological Medicine, 42, 957–965. doi:10.1017/S003329171100211X.
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.
Feinstein, R. E. (2015). Transference-Focused Psychotherapy for Borderline Personality Disorder: A Clinical Guide. Communication and Updates, 172, 589-590.
Frewen, P. A., Schmittmann, V. D., Bringmann, L. F., & Borsboom, D. (2013). Perceived causal relations between anxiety, posttraumatic stress and depression: extension to
moderation, mediation and network analysis. European Journal of
Psychotraumatology, 4:20656
Fried, E. I., Bockting, C., Arjadi, R., Borsboom, D., Amshoff, M., Cramer, A. O., ... & Stroebe, M. (2015). From loss to loneliness: The relationship between bereavement and depressive symptoms. Journal of abnormal psychology,124(2), 256.
Fried, E. I., Nesse, R. M., Zivin, K., Guille, C., & Sen, S. (2014). Depression is More Than the Sum Score of Its Parts: Individual DSM Symptoms Have Different Risk Factors.
Psychological Medicine, 44, 2067–2076. doi:10.1017/S0033291713002900
Gardener, H., Spiegelman, D., & Buka, S. L. (2011). Perinatal and neonatal risk factors for autism: a comprehensive meta-analysis. Pediatrics, 128(2), 344-355.
Goekoop, R. & Goekoop, J. G. (2014). A Network View on Psychiatric Disorders: Network Clusters of Symptoms as Elementary Syndromes of Psychopathology. PLoS ONE 9(11): e112734. doi:10.1371/journal.pone.0112734
34
Harvey, A. G., Schmidt, D. A., Scarnà, A., Semler, C. N., & Goodwin, G. M. (2014). Sleep-related functioning in euthymic patients with bipolar disorder, patients with insomnia, and subjects without sleep problems. American Journal of Psychiatry, 162(1), 50-57. Haslam, N., Bastian, B., Bain, P., & Kashima, Y. (2006). Psychological essentialism, implicit
theories, and intergroup relations. Group Processes & Intergroup Relations, 9(1), 63-76. Hasler, B. P., Dahl, R. E., Holm, S. M., Jakubcak, J. L., Ryan, N. D., Silk, J. S., ... & Forbes, E. E.
(2012). Weekend–weekday advances in sleep timing are associated with altered reward-related brain function in healthy adolescents.Biological psychology, 91(3), 334-341. Isomursu, M., Tähti, M., Väinämö, S., & Kuutti, K. (2007). Experimental evaluation of five
methods for collecting emotions in field settings with mobile applications. International
Journal of Human-Computer Studies, 65(4), 404-418.
Johnson, J. W., & LeBreton, J. M. (2004). History and use of relative importance indices in organizational research. Organizational Research Methods, 7(3), 238-257.
Kendler, K. S. & First, M. B. (2010). Alternative futures for the DSM revision process: iteration v. paradigm shift. The British Journal of Psychiatry, 197, 263–265. doi:
10.1192/bjp.bp.109.076794
Kendler, K. S., & Zachar, P. (2008). The incredible insecurity of psychiatric nosology. Philosophical Issues in Psychiatry, 368-383.
Kessler, R. C., Chiu, W., Demler, O., & Walters, E. E. (2005). Prevalence, severity, and comorbidity of 12-month DSM-IV disorders in the National Comorbidity Survey Replication. Arch Gen Psychiatry 62(6): 617–627.
35
Kessler, R. C., DuPont, R. L., Berglund, P., & Wittchen, H. U. (1999). Impairment in pure and comorbid generalized anxiety disorder and major depression at 12 months in two national surveys. American journal of psychiatry, 156(12), 1915-1923.
Klein, D. C., Fencil-Morse, E., & Seligman, M. E. (1976). Learned helplessness, depression, and the attribution of failure. Journal of personality and social psychology, 33(5), 508. Krueger, R. F. & Markon, K. E. (2006). Reinterpreting Comorbidity. Behaviour Research and
Therapy 40, 111–33.
Krueger & Piasecki. (2002). Toward a Dimensional and Psychometrically-informed Approach to Conceptualizing Psychopathology. Behaviour Research and Therapy 40, 111–33.
McGlinchey, J. B., Zimmerman, M., Young, D., & Chelminski, I. (2006). Diagnosing major depressive disorder VIII: are some symptoms better than others? The Journal of
nervous and mental disease, 194(10), 785-790.
Oquendo, M. A., Barrera, A., Ellis, S. P., L, S., Burke, A. K., Grunebaum, M., Endicott, J., & Mann, J. J. (2004). Instability of symptoms in recurrent major depression: a prospective study. American Journal of Psychiatry, 161, 255-261.
Parkes, C. M. (2014). Diagnostic criteria for complications of bereavement in the DSM-5. Bereavement Care, 33(3), 113-117.
Quitkin, F. M., Stewart, J. W., McGrath, P. J., Liebowitz, M. R., & Harrison, W. M. (1988). Phenelzine versus imipramine in the treatment of probable atypical depression: defining syndrome boundaries of selective MAOI responders. The American journal of
36
Robinaugh, D. J., LeBlanc, N. J., Vuletich, H. A., & McNally, R. J. (2014). Network Analysis of Persistent Complex Bereavement Disorder in Conjugally Bereaved Adults. Journal of
Abnormal Psychology, 123, 510–522.
Ruzzano, L., Borsboom, D., Geurts H. M. (2015). Repetitive Behaviors in Autism and Obsessive-Compulsive Disorder: New Perspectives from a Network Analysis. Journal of
autism and developmental disorders,45, 192–202. doi:10.1007/s10803-014-2204-9
Schoevers, R. A., Deeg, D. J. H., Van Tilburg, W., & Beekman, A. T. F. (2005). Depression and generalized anxiety disorder: co-occurrence and longitudinal patterns in elderly patients. The American journal of geriatric psychiatry, 13(1), 31-39.
Shanahan, L., Copeland, W. E., Angold, A., Bondy, C. L., & Costello, E. J. (2014). Sleep problems predict and are predicted by generalized anxiety/depression and oppositional defiant disorder. Journal of the American Academy of Child & Adolescent Psychiatry, 53(5), 550-558.
Van de Leemput, I. A., Wichers, M., Cramer, A. O., Borsboom, D., Tuerlinckx, F., Kuppens, P., ... & Scheffer, M. (2014). Critical slowing down as early warning for the onset and
termination of depression. Proceedings of the National Academy of Sciences, 111(1), 87-92.
Van der Maas, H. L. J., Dolan, C. V., Grasman, R. P. P. P., Wicherts, J. M., Huizenga, H. M., & Raijmakers, M. E. J. A Dynamical Model of General Intelligence: The Positive Manifold of Intelligence by Mutualism. Psychological Review, 2006, Vol. 113, 842–861
Van der Maas, H. L., & Molenaar, P. C. (1992). Stagewise cognitive development: an application of catastrophe theory. Psychological review, 99(3), 395.
37
Van Gelder, T. (1998). The dynamical hypothesis in cognitive science.Behavioral and brain
sciences, 21(05), 615-628.
Van Loo, H. M & Romeijn, J-W. (2015). Psychiatric Comorbidity: fact or artifact? Theoretical Medicine and Bioethics, Philosophy of Medical Research and Practice, 36, 9321. Wardenaar, K. J. & De Jonge, P. (2013). Diagnostic heterogeneity in psychiatry: towards an
empirical solution. BMC Medicine, 11:201
Watson, D., & Clark, L. A. (2006). Clinical diagnosis at the crossroads. Clinical Psychology:
Science and Practice, 13(3), 210-215.
Wichers, M. (2014). The dynamic nature of depression: a new micro-level perspective of mental disorder that meets current challenges. Psychological Medicine, 44, 1349-1360.
Widiger, T. A., & Clark, L. A. (2000). Toward DSM—V and the classification of psychopathology. Psychological bulletin, 126(6), 946.
Widiger, T. A. & Samuel, D. B. (2005). Diagnostic Categories or Dimensions? A Question for the Diagnostic and Statistical Manual of Mental Disorders—Fifth Edition. Journal of
Abnormal Psychology. 114, 494–504
Widiger, T. A., & Sankis, L. M. (2000). Adult psychopathology: Issues and controversies. Annual
