1
Depressienetwerken: Verschillen tussen Mensen die Lijden aan Chronische Ziektes en Gezonde Mensen
Juernene Tholel Universiteit van Amsterdam
Universiteit van Amsterdam Studentnummer: 10332960 Bachelorproject: KP
Begeleid door: Jolanda Kossakowski Aantal woorden: 4129
2
Abstract
Mensen met een chronische ziekte (CZ) hebben vaak een hogere kans op het ontwikkelen van een depressie in vergelijking tot gezonde (G) mensen. Dit blijkt uit eerder onderzoek naar verschillende CZ maar ook uit onderzoek bij naasten met iemand met een CZ en bij genezing van kanker patiënten. In eerder onderzoek werd er gebruik gemaakt van het latente variabele model terwijl dit ook kan op een andere manier, namelijk met het netwerkmodel. Met het netwerkmodel is het mogelijk om relaties tussen symptomen te onderzoeken. In deze studie werd er onderzoek gedaan naar de verschillen in depressienetwerk voor mensen met CZ en G mensen.
Deelnemers (N=17) werden ingedeeld in de CZ-groep (N=5) of G-groep (N=12) afhankelijk van antwoorden op een introvragenlijst. Vervolgens werd er 15 dagen, zeven keer per dag een tweede vragenlijst aangeboden, gebaseerd op criteria voor depressie volgens de DSM-V via de app Qumi.
Uit de resultaten bleek dat het CZ netwerk sterker was dan het G netwerk. Ook waren er opvallend meer verzadigde negatieve verbindingen te zien in het CZ netwerk dan in het G netwerk. Verder bleek ‘energiek’ een belangrijkere rol te spelen in het CZ netwerk dan in het G netwerk.
Geconcludeerd kon worden dat het depressienetwerk van de CZ-groep verschilde van het depressienetwerk van de G-groep.
3
Inleiding
Het jaar 2015 was een goed jaar als het gaat om campagnes voor chronische ziektes (CZ). Men deed massaal mee aan de Ice Bucket Challenge voor de spierziekte ALS. De Ice Bucket Challenge is een van de vele campagnes die gevoerd wordt om aandacht te schenken aan CZ. Er wordt echter veel nadruk gelegd op de somatische klachten van de ziektes en nog te weinig op de psychologische klachten. Dit terwijl meerdere onderzoeken hebben aangetoond dat mensen met een CZ een hogere kans hebben op het ontwikkelen van psychopathologie, zoals angst en stemmingsstoornissen en dan vooral voornamelijk op het ontwikkelen van een depressie (Egede, 2005; Kim, Han, & Kim, 2016).
‘Kenmerkend voor een chronische ziekte is dat dit een onomkeerbare fysieke aandoening is zonder vooruitzicht op volledig herstel en met een relatief lange ziekteduur’ (Nationaal Kompas Volksgezondheid [NKV], 2014). Er zijn over het algemeen vier typen chronische ziektes te onderscheiden, namelijk levensbedreigende ziektes zoals kanker, aandoeningen die leiden tot terugkerende klachten zoals astma, aandoeningen die progressief verslechteren zoals auto-immuun ziektes en chronisch hartfalen en als laatste chronische psychische stoornissen (van den Bos et al., 2000, aangehaald in, NKV, 2014). Doordat mensen die lijden aan CZ vaak meer somatische en psychologische klachten ervaren dan gezonde (G) mensen, leidt dit tot meer zorgconsumptie en kosten (Katon, Lin, & Kroenke, 2007; Walker et al., 2014). Eerder onderzoek heeft ook aangetoond dat het vroeg opsporen en behandelen van depressie bij mensen met kanker en bij mensen met diabetes een kosteneffectieve manier is om de quality of life in jaren te verbeteren (Simon et al., 2007; Walker et al., 2014). In dit onderzoek wordt daarom gekeken naar depressie bij chronische ziektes.
Een depressie is een stemmingsstoornis waarbij er minimaal twee weken sprake is van abnormale desinteresse, lusteloosheid, somberheid of het onvermogen om ergens van te kunnen genieten (American Psychiatric Association, 2013). Een depressie kent vaak een chronisch verloop (Comijs et al., 2015). Uit onderzoek onder mensen met een of meerdere CZ die depressieve symptomen ervaarden, is na een twee jarige follow-up meting gebleken dat 48.8% van die mensen leden aan een depressie (Comijs et al., 2015). Onderzoek, uitgevoerd door de Moussavi et al., (2007), naar depressie en de invloed daarvan op de gezondheid bij diabetes, astma, allergische rhinitis en pijn op de borst, toonde aan dat depressie voorkomt bij 9% tot 23% van de mensen met een van deze chronische ziektes (Moussavi et al., 2007). Depressie is dus een veelvoorkomende psychologische klacht bij het hebben van een chronische ziekte.
4
Naast dat psychopathologie veel voorkomt onder mensen die lijden aan chronische ziektes, blijft dit een rol spelen bij mensen die genezen zijn van kanker (Reyes-Gibby, Anderson, Morrow, Shete, & Hassan, 2012). Zelfs na genezing van kanker blijven behalve de fysieke klachten vaak nog psychologische klachten een rol spelen. Onderzoek hiernaar bij borstkanker patiënten liet zien dat ook na genezing, patiënten een hoog risico houden op het ontwikkelen van een depressie. Zes jaar na genezing is dit risico 36.6% is en bij borstkanker patiënten die 6 tot 13 jaar genezen waren bleek 16% daadwerkelijk een depressie te hebben (Reyes-Gibby et al., 2012). Behalve dus bij mensen die de CZ fysiek niet meer hebben, zoals na genezing van kanker, blijkt ook naaste familie een verhoogd risico te vertonen op het ontwikkelen van een depressie. Naaste familie van patiënten met een CZ hebben meer kans op de ontwikkeling van depressieve symptomen dan naasten zonder familielid met een CZ (Salonen, Rantanen, Kellokumpu-Lehtinen, Huhtala, & Kaunonen, 2014).
Mentale stoornissen worden vaak gediagnosticeerd met behulp van de Diagnostic and Statistical Manual of Mental Disorders (DSM-V) (American Psychiatric Association, 2013; Hyman, 2010). De DSM is een van de meest dominante classificatiesystemen voor mentale stoornissen in de klinische praktijk, onderzoek en rechtssystemen (Hyman, 2010). In de DSM staan per mentale stoornis een aantal criteria waaraan moet worden voldaan om een bepaalde diagnose te krijgen (Hyman, 2010). Een depressie wordt hierin gezien als een onderliggende latente stoornis die de bijbehorende symptomen veroorzaakt (Borsboom, 2008). Dit wordt een diagnostische visie genoemd op classificatie, omdat dit lijkt op de manier van diagnosticeren zoals dit ook gebeurd in de geneeskunde (Borsboom, 2008). De grenzen voor de criteria zijn arbitrair: een groot deel van patiënten die lijden aan depressieve symptomen krijgen niet de diagnose van een depressie, omdat er vaak niet wordt voldaan aan het minimum aantal gegeven criteria voor een depressie, waardoor deze groep onterecht onbehandeld blijft (Hyman, 2010). Een ander probleem in het latente variabele model is dat mensen worden gezien als een homogene groep waarbij volgens deze visie een depressie er hetzelfde uitziet voor elk individu (Borsboom, 2008). Het is moeilijk de relatie tussen intra-individuele structuren en inter-individuele structuren te bepalen (Borsboom, 2008).
Op dit moment wordt depressie gediagnosticeerd op basis van een totaal score op de criteria, wat gezien worden als een maat voor depressie. Een directe relatie tussen de symptomen bestaat niet volgens het latente variabele model (Schmittmann et al., 2013). Een andere manier om mentale stoornissen te benaderen is een constructivistische manier, namelijk met de netwerkbenadering (Borsboom, 2008). In een netwerkbenadering wordt depressie
5
gezien als een complex netwerk van symptomen (Borsboom & Cramer, 2013). De symptomen van een depressie zijn sterk gecorreleerd met elkaar, omdat ze behoren tot hetzelfde netwerk en elkaar onderling beïnvloeden en niet omdat ze veroorzaakt worden door dezelfde onderliggende stoornis (Borsboom & Cramer, 2013). Er is meer aandacht voor de directe relaties tussen symptomen, waardoor er meer ruimte is voor individuele verschillen. Door deze netwerken samen te stellen met een tijdseries methode zoals de Experience Sampling Method (ESM), is het mogelijk om de interactie en de ontwikkeling te zien tussen symptomen en omgevingsfactoren over tijd (Csikszentmihalyi & Larson, 1987; Myin-Germeys et al., 2009).
Dit is voor zover bekend het eerste artikel waarin een onderzoek beschreven wordt over de verschillen in depressienetwerken tussen mensen die lijden aan CZ en mensen die G zijn. Er is nog weinig onderzoek naar netwerken van mensen met een chronische ziekte. Recent is er onderzoek gedaan naar Health Related Quality of Life (HRQoL) netwerken van mensen die lijden aan een chronische ziekte en mensen die G zijn. Uit dit onderzoek, waarin er gekeken word naar mensen die lijden aan kanker en mensen die G zijn, bleek dat de netwerken er vrijwel hetzelfde uitzagen (Kossakowski et al., 2016). Doordat in eerder onderzoek is gebleken dat mensen met een chronische ziekte een grotere kans hebben op het ontwikkelen van een depressie, is de verwachting dat de depressienetwerken van mensen die lijden aan een chronische ziekte zal verschillen van die van G mensen.
Er zal eerst meer uitleg worden gegeven over de gebruikte methode, waarin dieper zal worden ingegaan op de werving van de deelnemers, de app die gebruikt is om de data te verkrijgen en de gebruikte vragenlijsten. Ook zal er informatie worden gegeven over hoe de netwerken gecreëerd en geanalyseerd zullen worden. Vervolgens zullen in de resultatenparagraaf de gevonden resultaten besproken worden en gevisualiseerd. Tot slot zullen in de discussieparagraaf de belangrijkste conclusies en tekortkomingen van het onderzoek besproken worden en hoe deze te ondervangen zijn in vervolgonderzoek.
Methode
DeelnemersEr doen minimaal 20 deelnemers mee aan dit onderzoek, in de leeftijd 18-65 jaar. De deelnemers zijn deels familie en vrienden geworven via de onderzoekers en zijn deels studenten van de Universiteit van Amsterdam (UvA) die zich kunnen aanmelden via de
onderzoeks-6
website. Voor deelname aan dit onderzoek kunnen UvA studenten maximaal 6 proefpersoon punten verdienen die nodig zijn voor de studie. Voor de overige groep deelnemers is er geen beloning. Een voorwaarde voor deelname aan dit onderzoek is dat deelnemers in het bezit zijn van een iPhone of iPod touch.
Materialen
Voor dit onderzoek wordt er gebruik gemaakt van de Qumi applicatie (Oppenheim, 2016). Deze app is speciaal ontwikkeld om vragenlijsten te maken en deze meerdere keren per dag aan te bieden. Hiermee is het mogelijk netwerken te maken uit de verkregen data.
Er wordt gewerkt met twee zelfgemaakte vragenlijsten in de app. De eerste vragenlijst is een zelfgemaakte intro vragenlijst, waarmee naar sociaal demografische kenmerken gevraagd en waarmee de deelnemers in groepen ingedeeld kunnen worden. Dit is een gecombineerd onderzoek naar depressienetwerken waardoor er meerdere groepen en vragen waren om deelnemers in te delen. In dit onderzoek is ervoor gekozen om deelnemers te selecteren voor de CZ groep als deze lijden aan kanker, diabetes, astma of hart & vaat ziekten. Deze behoren namelijk tot drie van de vier types CZ (NKV, 2014). Deelnemers krijgen drie vragen om te bepalen of zij horen in de conditie van mensen met een chronische ziekte. De eerste vraag is: ‘Lijdt u aan een of meer van de volgende chronische ziektes: astma, diabetes, hart & vaatziekten of kanker?’ In eerder onderzoek kwam naar voren dat ook naasten van patiënten met een CZ een verhoogd risico hebben op het ontwikkelen van een depressie dus worden dezen ook meegenomen in de CZ groep met de tweede vraag: ‘Heeft u een moeder, vader, broer of zus die lijdt aan een van de volgende chronische ziektes: astma, diabetes, hart & vaatziekten of kanker?’ Daarnaast is in eerder onderzoek ook gebleken dat mensen die genezen zijn van kanker een verhoogd risico hebben op het ontwikkelen van een depressie. Daarom de derde vraag: ‘Bent u genezen van kanker?’. Als het antwoord op minimaal een van de voorgaande vragen ‘ja’ is, behoort iemand tot de CZ groep. Als alle drie de vragen met ‘nee’ worden beantwoord hoort iemand in de groep van G mensen.
De tweede zelfgemaakte vragenlijst bestaat uit 9 items, gebaseerd op de DSM-V criteria voor depressie. Een voorbeeld vraag is, ‘ik voel me waardeloos’. De antwoordmogelijkheden werden aangeboden op een 5-punts Likert schaal lopend van ‘heel weinig’ tot ‘heel veel’.
Om de netwerken te creëren, visualiseren en te analyseren zal er gewerkt worden met het programma R-Studio. De R-packages die gebruikt zullen worden zijn qgraph, om de netwerken te visualiseren en te analyseren en mlVAR om de relaties te berekenen tussen de
7
knopen van de netwerken (A. S. Epskamp, Deserno, Bringmann, & Epskamp, 2015; S. Epskamp, Schmittmann, & Borsboom, 2012).
Procedure
Voorafgaand aan het onderzoek krijgen deelnemers een informed consent gemaild, waarin uitgelegd wordt wat het doel is van het onderzoek en waarin er toestemming gegeven kan worden voor deelname aan het onderzoek. Ook kunnen deelnemers toestemming geven dat de data openbaar gesteld worden, waarbij de anonimiteit gewaarborgd blijft. Er is de mogelijkheid om elk gewenst moment te stoppen met deelname aan het onderzoek. De groepen waarin deelnemers ingedeeld worden, wordt buiten beschouwing gelaten zodat sociaal wenselijke antwoorden zoveel mogelijk beperkt worden. Na het ondertekenen van het informed consent krijgen deelnemers een mail toegestuurd met een installatie link voor de Qumi app. De intro vragenlijst wordt eenmalig aangeboden en de tweede vragenlijst wordt zeven keer per dag, 15 dagen lang aangeboden. Na het voltooien van 15 dagen krijgen deelnemers een debriefing toegestuurd via de mail, waarin de volledige informatie gegeven word en er nogmaals mogelijkheid is tot het toestemming geven van het online plaatsen van de data. Deelnemers worden meegenomen in de analyse als voldaan is aan een cut-off score van vijf voltooide meldingen per dag gedurende tien aaneengesloten dagen. Op basis hiervan zullen de proefpersoon punten toegekend worden aan de UvA studenten.
Tijdseries netwerken
De netwerken worden samengesteld met behulp van een tijdseries methode, namelijk de ESM (Csikszentmihalyi & Larson, 1987). Met de ESM is het mogelijk om herhaaldelijk over tijd en dagen, data te verkrijgen over de ervaringen en het affect van personen individueel (Csikszentmihalyi & Larson, 1987). Om de daadwerkelijke netwerk structuren samen te stellen van de data, verkregen door de ESM, wordt de Multilevel Vector AutoRegressive (VAR) methode gebruikt (Bringmann et al., 2013; A. S. Epskamp et al., 2015). Met de VAR methode is het mogelijk om individuele netwerken samen te stellen. VAR is een model wat vaak gebruikt wordt voor herhaalde metingen over tijd voor een enkel individu. Een variabele op tijdspunt (t) wordt in een regressiemodel op dezelfde variabele en alle andere variabelen geregresseerd maar dan op een eerder tijdspunt, namelijk tijdspunt (t-1). Hierdoor wordt er gecontroleerd voor de dynamiek van tijd van alle variabelen binnen een enkel individu. Door VAR te combineren met een multilevel model kan het gemiddelde effect over tijd van alle variabelen op groepsniveau geanalyseerd worden (Bringmann et al., 2013).
8 Netwerkanalyse
In dit artikel zullen er netwerken gevormd worden door data te gebruiken waarbij frequenties van symptomen onderzocht worden om relaties daaruit af te leiden (Borsboom & Cramer, 2013). Deze zullen gevisualiseerd worden met behulp van de R-package, qgraph (S. Epskamp et al., 2012).
In een netwerk zijn de symptomen de knopen en representeren de lijnen de verbindingen ofwel relaties tussen symptomen als deze behoren tot dezelfde stoornis (Borsboom & Cramer, 2013). Een dikke lijn staat voor een sterke verbinding en een dunne lijn voor een zwakke verbinding. Daarnaast betekent een groene lijn een positieve relatie en staat een rode lijn voor een negatieve relatie (Borsboom & Cramer, 2013).
Centraliteitsanalyse
De netwerken worden beoordeeld en vergeleken op basis van Centraliteitsanalyse (Costantini et al., 2015; S. Epskamp et al., 2012; Opsahl, Agneessens, & Skvoretz, 2010). Er wordt gekeken naar de belangrijkheid van elke knoop in het netwerk door middel van drie manieren, namelijk strength, betweenness en closeness (Costantini et al., 2015). Bij strength ligt de aandacht vooral op de sterkte van elke verbinding per knoop. Deze wordt berekend door de som te nemen van de in- en outstrength. Alle ingaande verbindingen van een knoop zijn de in-strength en alle uitgaande verbindingen van een knoop zijn de out-strength. De betweenness wordt bepaald door te kijken naar het aantal kortste directe verbindingen tussen twee knopen via een andere knoop. Als een knoop met een hoge betweenness verwijderd wordt uit een netwerk zal de afstand tussen andere knopen toenemen, waardoor het netwerk zwakker wordt. Dit betekent dat alle andere knopen in het netwerk elkaar moeilijker en langzamer kunnen bereiken. Met de closeness kan voorspeld worden wat een verandering in het netwerk kan betekenen voor een specifieke knoop. Deze wordt berekend door de inverse te nemen van de som van de afstand tussen een specifieke knoop en alle andere knopen in het netwerk. De afstand is hier de lengte van de kortste verbinding tussen twee knopen. Een knoop met een hoge closeness zal andere omliggende knopen sneller bereiken dan knopen die verder verwijderd liggen (Costantini et al., 2015; Opsahl et al., 2010). Zou er een positieve verandering optreden in een bepaalde symptoom met een hoge closeness, zou dit sneller een positieve kettingreactie in gang kunnen zetten binnen het netwerk.
9
Resultaten
Participant karakteristieken
Aan dit onderzoek zijn 60 deelnemers begonnen. De hoogst genoten opleidingen die het meest voorkwamen onder de deelnemers waren WO, VWO en HBO. Van de 60
deelnemers zijn er in totaal 43 afgevallen vanwege technische problemen met de Qumi app (N=8), foutieve verwerking van de data in Excel (N=8) of het niet voldoen aan de cut-off score (N=27). Voor de analyse zijn uiteindelijk 17 deelnemers overgebleven.
De gemiddelde leeftijd voor de gehele groep (N=17) was 25.2 jaar (SD= 11.4). In de CZ-groep (N=5) met een gemiddelde leeftijd van (M=36.6, SD= 16.6) was 80% van de deelnemers vrouw. In de G-groep (N=12) met een gemiddelde leeftijd van (M= 20.4, SD= 2.2) was 66.7% vrouw.
Netwerk analyse
Als gekeken wordt naar de netwerken van de CZ en de G-groep in Figuur 1, ziet men dat de verbindingen van de CZ groep meer verzadigd zijn dan de verbindingen van de G- groep. Het netwerk van de CZ groep blijkt sterker verbonden met elkaar (som= 4.97) dan de knopen in het G netwerk (som= 3.09). Ook zijn er in het CZ netwerk meer verzadigde groene en vooral meer rode verbindingen te zien. Er lijken dus meer negatieve relaties te zijn tussen de knopen in dit netwerk. Door bijvoorbeeld te kijken naar de knopen energiek en moe in het CZ netwerk, is te zien aan de verzadigde rode verbindingen dat des te minder energiek iemand zich voelt dit gerelateerd is aan een hoger gevoel van moeheid en dat deze relatie ook omgekeerd te zien is. In het G-groep netwerk is de negatieve relatie tussen energiek en moe minder sterk, wat te zien is aan de lichtere rode verbinding.
10
Figuur 1. Visuele weergave van de depressienetwerken van de CZ-groep (links) en de G-groep (rechts) naast elkaar.
Centraliteitsanalyse
Door middel van tabel 1 kan een rangorde bepaald worden van de knopen per centraliteitsmaat. In Figuur 2 zijn de waarden op de centraliteitsmaten gevisualiseerd. In de netwerken zijn er slechts negen knopen. Voor elk netwerk is besloten de top drie te
benoemen, lopend van meest belangrijk tot minder belangrijk. Onder het kopje instrength zijn alle ingaande verbindingen te zien per knoop. In het CZ netwerk hebben ‘energiek’, ‘moe’ en ‘interesse’ de meeste ingaande verbindingen. In het G netwerk zijn dit ‘moe’, ‘energiek’ en ‘eetlust’. De andere knopen in het netwerk oefenen dus het meest invloed uit op deze knopen. Verschillen hierbij zijn de knopen, ‘interesse’ voor het CZ netwerk en de knoop ‘eetlust’ voor de G netwerk en dat ‘energiek’ de meeste ingaande verbindingen heeft in het CZ netwerk en dat dit voor het G netwerk ‘moe’ is.
11
De top drie outstrength verbindingen voor het CZ netwerk zijn ‘schuldig’,
‘waardeloos’ en ‘somber’ en voor het G netwerk, ‘concentratie’, ‘waardeloos’ en ‘schuldig’. De top drie komt wederom overeen voor de netwerken met als verschil de rangorde en ‘somber’ in het CZ netwerk en ‘concentratie’ in het G netwerk. Deze knopen hebben de meeste uitgaande verbindingen, dus oefenen ze de meeste invloed uit op de overige knopen in het netwerk.
Knopen met een hoge betweennes in het CZ netwerk zijn, ‘energiek’ en op een gedeelde derde plek, ‘stress’, ‘moe’ en ‘schuldig’ en voor het G netwerk zijn dit, ‘moe’, ‘waardeloos’, ‘energiek en ‘stress’. Veel verbindingen tussen knopen verlopen via deze genoemde knopen. Als de knoop ‘energiek’ verwijderd wordt uit het CZ netwerk, zou dit betekenen dat het langer duurt voordat twee knopen elkaar bereiken, omdat de afstand tussen deze twee knopen groter wordt. Het gehele netwerk wordt hierdoor langzamer geactiveerd. Een verschil wat te zien is in figuur 2 is dat ‘somber’ op betweennes hoger scoort in het CZ netwerk dan in het G netwerk. Stel dat ‘somber’ in beide netwerken toe zou nemen zou dit in het CZ netwerk een grotere invloed uitoefenen op de andere knopen dan in het G netwerk, omdat verbindingen via deze knoop verlopen. Ook is te zien dat de minste verbindingen lopen via ‘eetlust’ en zal het verwijderen van deze knoop uit zowel het CZ netwerk als het G
netwerk de minste verandering in de netwerken teweeg brengen.
Op de laatste centraliteitsmaat, closeness, zijn in het CZ netwerk, ‘schuldig’, ‘waardeloos’ en ‘somber’ belangrijk en in het G netwerk, ‘waardeloos’, ‘schuldig’ en
‘concentratie’. Deze knopen zijn het meest centraal gelegen in het netwerk en kunnen andere omliggende knopen het snelst bereiken. Een verschil tussen de netwerken is dat de knoop ‘somber’ in het CZ netwerk in de top 3 zit van closeness en in het G netwerk het laagst hierop scoort.
Samengevat blijkt op basis van tabel 1 en Figuur 2 dat de belangrijkste symptomen in het CZ netwerk ‘energiek’, ‘schuldig’ en ‘waardeloos’ zijn en in het G netwerk zijn dit de symptomen, ‘moe’, ‘waardeloos’, en ‘schuldig’.
12 Tabel 1
Waarden van de centraliteitsmaten, strength, betweenness en closeness voor de knopen in het depressienetwerk voor de CZ-groep (rood) en de G-groep (blauw)
Betweenness Closeness Instrength Outstrength Waardeloos -.11 .97 .36 1.55 -.25 -.96 .70 .94 Stress .40 .42 -.03 -.52 .14 -.67 -.35 -.28 Somber -.63 -1.21 .35 -.68 -.80 -.07 .38 -.89 Schuldig .40 -.12 2.29 1.39 -1.38 -1.03 2.09 .83 Moe .40 1.78 -.44 .26 1.11 1.26 -.01 .72 Interesse -.88 -.39 -.73 -.54 .15 .58 -.82 -.36 Energiek 2.19 .42 .06 -.64 1.9 1.16 -.11 -.53 Eetlust -.88 -1.21 -.76 -1.37 -.65 .94 -.49 -1.72 Concentratie -.88 -.66 -1.10 .54 -.23 -1.20 -1.39 1.29
13
Figuur 2. Visuele weergave van de waarden op de centraliteitsmaten, strength, betweennes en closeness voor de knopen in het depressienetwerk van de CZ-groep (rood) en de G-groep (blauw)
Discussie
Dit is voor zover bekend de eerste studie naar de verschillen in depressienetwerken van mensen met een CZ en van G mensen. Hieruit is gebleken dat er een aantal verschillen maar ook overeenkomsten zijn tussen de depressienetwerken. Het belangrijkste verschil is dat de relaties tussen de knopen in het depressienetwerk van de CZ-groep sterker verbonden met elkaar waren dan de knopen van het depressienetwerk van de G-groep. Dit zou een verklaring kunnen zijn voor het hogere risico op het ontwikkelen van een depressie voor CZ mensen (Comijs et al., 2015; Moussavi et al., 2007). Ook zijn er opvallend meer negatieve
verbindingen in het CZ netwerk dan in het G netwerk wat betekent dat symptomen in het CZ netwerk meer negatief gerelateerd zijn aan elkaar. Daarnaast is er ook gevonden dat hoewel vaak dezelfde symptomen een belangrijk rol spelen, deze verschillen in belangrijkheid. Zo bevindt ‘somber’ zich volgens de closeness centraliteitsmaat centraal in het CZ netwerk en scoort ‘somber’ het laagst hierop in het G netwerk. Ook scoort ‘energiek’ op alle
centraliteitsmaten het hoogst in het CZ netwerk en is dit in het G netwerk de symptoom ‘moe’. Behalve verschillen zijn er ook overeenkomsten gevonden in de netwerken. Op basis
14
van de centraliteitsmaten is een overeenkomst tussen de netwerken dat de knopen ‘moe, waardeloos en energiek’ vaak voorkomen in de top drie. Deze knopen lijken dus het belangrijkst in beide netwerken en zullen veranderingen op deze knopen meer invloed uitoefenen op de andere knopen in het netwerk. Een tweede overeenkomst is dat er in beide netwerken te zien is in tabel 1 dat de knopen ‘eetlust’ en ‘concentratie’ het minst belangrijk zijn. Deze scoren namelijk op bijna alle centraliteits maten het laagst.
Hoewel in dit onderzoek verschillen in de netwerken gevonden zijn en dit de
aanvankelijke hypothese bevestigd die gesteld werd op basis van eerder onderzoek, moeten de resultaten met enige voorzichtigheid geïnterpreteerd worden. Er waren namelijk een aantal tekortkomingen in het onderzoek. Ten eerste was de steekproef klein: In de CZ-groep zaten er vijf deelnemers en in de G-groep 12 deelnemers, waardoor het ook niet interessant was om te kijken naar significantie verbindingen tussen knopen. Verder zorgt het gebruiken van een kleine steekproef voor het niet volledig kunnen generaliseren naar de populatie vanwege te weinig variatie in de steekproef wat een vertekend beeld kan geven. Het is mogelijk dat bij gebruik van een grotere steekproef in zowel de CZ-groep als de G-groep andere resultaten naar voren komen. Voor replicatie van dit onderzoek is het goed om gebruik te maken van een grotere steekproef voor beide groepen.
Ten tweede is er ook niet gecontroleerd of deelnemers wellicht al sterke depressieve symptomen ervaarden. Het depressienetwerk van de CZ-groep was sterker maar wellicht is een verklaring hiervoor dat deelnemers in die groep ook al sterk depressieve symptomen ervaarden. Zoals al benoemd, is er gebruik gemaakt van een kleine steekproef om de resultaten te interpreteren. Stel dat vier van de vijf deelnemers in de CZ-groep depressieve symptomen ervaarden tegenover vier van de 12 deelnemers in de G-groep, is het niet verwonderlijk dat het depressienetwerk van de CZ-groep sterker is. In vervolgonderzoek is het goed om daar rekening mee te houden door voorafgaand aan het onderzoek ook een depressievragenlijst af te nemen zoals de Beck Depression Inventory.
Een derde punt ter verbetering is dat er onder de CZ mensen niet gevraagd is aan welke chronische ziekte zij of een naaste (hebben) (ge)leden. Uit onderzoek door Katon et al. (2007) en Moussavi et al. (2007) bleek dat verschillende CZ verschillende risico’s hebben op het ontwikkelen van een depressie, waardoor het mogelijk is dat er ook verschillen zijn tussen de depressienetwerken van de verschillende CZ. Als er in de CZ groep bijvoorbeeld drie mensen zaten met kanker en twee mensen met astma, waarbij het depressienetwerk van astma er hetzelfde eruitziet als het G netwerk is een logisch gevolg dat het gezamenlijke CZ
15
depressienetwerk sterker is dan het G netwerk. Voor replicatieonderzoek zou het
nauwkeuriger zijn om ook depressienetwerken op te stellen per chronische ziekte en deze onderling te vergelijken.
Dit onderzoek vormt hopelijk de aanleiding voor meer onderzoek naar
depressienetwerken bij CZ. Er zijn verschillen gevonden in de netwerken van CZ mensen en G mensen en met verbeteringen in vervolgonderzoek worden deze bevindingen hopelijk nogmaals bevestigd. Ondanks dat er al veel aandacht geschonken wordt aan onderzoek naar de fysieke ongemakken bij een CZ door middel van het voeren van campagnes, is het belangrijk dat er ook meer aandacht geschonken wordt aan de psychologische ongemakken. Er moet meer onderzoek gedaan worden naar psychopathologie bij mensen met CZ, zodat er in de toekomst betere aansluitende zorg gerealiseerd kan worden, waardoor dit kan resulteren in een lagere zorgconsumptie, lagere kosten voor de maatschappij en een betere quality of life in jaren voor deze groep mensen.
16
Referenties
American Psychiatric Association. (2013). Diagnostic and statistical manual of mental disorders (5th ed.). Washington, DC: Author
Borsboom, D. (2008). Psychometric Perspectives on Diagnostic Systems. Journal of Clinical Psychology, 64, 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.
Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., … Tuerlinckx, F. (2013). A Network Approach to Psychopathology: New Insights into Clinical Longitudinal Data. PLoS ONE, 8, 1–12.
Comijs, H. C., Nieuwesteeg, J., Kok, R., van Marwijk, H. W., van der Mast, R. C., Naarding, P., & Stek, M. L. (2015). The two-year course of late-life depression; results from the Netherlands study of depression in older persons. BMC Psychiatry, 15, 1–9.
Costantini, G., Epskamp, S., Borsboom, D., Perugini, M., Mõttus, R., Waldorp, L. J., & Cramer, A. O. J. (2015). State of the aRt personality research: A tutorial on network analysis of personality data in R. Journal of Research in Personality, 54, 13–29. Egede, L. E. (2005). Effect of comorbid chronic diseases on prevalence and odds of
depression in adults with diabetes. Psychosomatic Medicine, 67, 46–51.
Epskamp, A. S., Deserno, M. K., Bringmann, L. F., & Epskamp, M. S. (2015). Package “ mlVAR ,” 1–7.
Epskamp, S., Schmittmann, V. D., & Borsboom, D. (2012). qgraph : Network Visualizations of Relationships in Psychometric Data, 48(4).
Hyman, S. E. (2010). The Diagnosis of Mental Disorders: The Problem of Reification. Annual Review of Clinical Psychology, 6, 155–179.
Katon, W., Lin, E. H. B., & Kroenke, K. (2007). The association of depression and anxiety with medical symptom burden in patients with chronic medical illness. General Hospital Psychiatry, 29, 147–155.
Kim, D. H., Han, K., & Kim, S. W. (2016). Relationship between allergic rhinitis and mental health in the general Korean adult population. Allergy, Asthma and Immunology
17 Research, 8, 49–54.
Kossakowski, J. J., Epskamp, S., Kieffer, J. M., van Borkulo, C. D., Rhemtulla, M., & Borsboom, D. (2016). The application of a network approach to Health-Related Quality of Life (HRQoL): introducing a new method for assessing HRQoL in healthy adults and cancer patients. Quality of Life Research. Retrieved from
"http://dx.doi.org/10.1007/s11136-015-1127-z
Moussavi, S., Chatterji, S., Verdes, E., Tandon, A., Patel, V., & Ustun, B. (2007). Depression, chronic diseases, and decrements in health: Results from the world health surveys. Lancet, 370, 851–858.
Myin-Germeys, I., Oorschot, M., Collip, D., Lataster, J., Delespaul, P., & van Os, J. (2009). Experience sampling research in psychopathology: opening the black box of daily life. Psychological Medicine, 39, 1533–1547.
Nationaal Kompas Volksgezondheid. (2014). Wat is een chronische ziekte en wat is multimorbiditeit? Opgehaald van http://www.nationaalkompas.nl/gezondheid-en-ziekte/ziekten-en-aandoeningen/chronische-ziekten-en-multimorbiditeit/beschrijving/ Oppenheim, B. (2016). Qumi The smart questionnaire app, 8–3.
Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks : Generalizing degree and shortest paths. Social Networks, 32, 245–251.
Reyes-Gibby, C. C., Anderson, K. O., Morrow, P. K., Shete, S., & Hassan, S. (2012). Depressive symptoms and health-related quality of life in breast cancer survivors. Journal of Women’s Health (2002), 21, 311–8.
Salonen, P., Rantanen, A., Kellokumpu-Lehtinen, P. L., Huhtala, H., & Kaunonen, M. (2014). The quality of life and social support in significant others of patients with breast cancer - A longitudinal study. European Journal of Cancer Care, 23, 274–283.
Schmittmann, V. D., Cramer, A. O. J., Waldorp, L. J., Epskamp, S., Kievit, R. A., & Borsboom, D. (2013). Deconstructing the construct: A network perspective on psychological phenomena. New Ideas in Psychology, 31, 43–53. Retrieved from http://dx.doi.org/10.1016/j.newideapsych.2011.02.007
Simon, G. E., Katon, W. J., Lin, E. H. B., Rutter, C., Manning, W. G., Korff, M. von, & Young, B. A. (2007). Cost-effectiveness of systematic depression treatment among
18
people with diabetes mellitus. Archives of General Psychiatry, 64, 65–72.
Walker, S., Walker, J., Richardson, G., Palmer, S., Wu, Q., Gilbody, S., & Sharpe, M. (2014). Cost-effectiveness of combining systematic identification and treatment of co-morbid major depression for people with chronic diseases: the example of cancer. Psychological Medicine, 44, 1451–60.
