Сетевой анализ в психиатрии: как симптомы превращаются в систему

Обзор в International Journal of Methods in Psychiatric Research объясняет, как сетевой анализ помогает изучать психические расстройства как системы взаимосвязанных симптомов, состояний, поведенческих паттернов и контекстных факторов. В такой модели симптом становится не просто индикатором скрытого диагноза, а узлом в более широкой системе: тревога может усиливать бессонницу, бессонница – утомляемость, утомляемость – социальное избегание, а социальное избегание – депрессивное состояние. Авторы показывают, какие сетевые методы сегодня используются в исследованиях психического здоровья: поперечные сети, динамические и временно-изменяющиеся модели, сети на панельных данных, сетевой анализ вмешательств, латентные и модерируемые модели, а также байесовские сети для осторожной работы с причинными гипотезами.

Современная психиатрия всё чаще сталкивается с ограничениями простых объяснительных схем. Одного диагноза недостаточно, чтобы понять, почему у конкретного пациента тревога поддерживает бессонницу, бессонница усиливает утомляемость, а утомляемость разрушает социальную активность. Сетевой подход возник как попытка описывать психические расстройства в их реальной сложности: через связи между симптомами, поведением, когнитивными процессами, аффектом, средой и биологическими факторами. Авторы обзора подчёркивают, что психическое здоровье всё труднее понимать через изолированные симптомы или единственные причинные пути. Речь идёт о биопсихосоциальных системах, где каждый компонент влияет на другие и сам меняется под их влиянием.

В самом простом варианте сеть состоит из узлов и связей. Узлами могут быть симптомы, пункты опросника, когнитивные процессы, поведенческие паттерны, черты личности, социальные переменные или биологические показатели. Связи отражают статистические отношения между ними: корреляции, частные корреляции, регрессионные коэффициенты или другие зависимости. При этом психометрические сети, в отличие от социальных или транспортных сетей, нельзя просто «увидеть»: их приходится оценивать по данным, и это сразу создаёт методологические ограничения.

Главная идея сетевой психопатологии состоит в том, что симптомы могут поддерживать друг друга напрямую. В классической латентной модели депрессия часто мыслится как скрытая причина, которая порождает бессонницу, снижение энергии, чувство вины и ангедонию. В сетевой модели бессонница может сама усиливать утомляемость, утомляемость – снижать активность, снижение активности – поддерживать ангедонию, а ангедония – углублять депрессивное состояние. Такая рамка особенно полезна там, где клиническая картина держится не на одном центральном механизме, а на петлях обратной связи.

При этом сетевой анализ не сводится к красивым картинкам с кружками и линиями. Авторы обзора специально показывают, что за визуализацией стоят разные статистические модели, каждая из которых отвечает на свой тип вопросов. Одни модели описывают связи между переменными в один момент времени. Другие оценивают, как симптомы предсказывают друг друга во времени. Третьи позволяют изучать, меняется ли структура сети в разных контекстах, у разных людей или на фоне вмешательства. В статье отдельно обсуждаются динамические сети, временно-изменяющиеся сети, модели на панельных данных, сетевой анализ вмешательств, латентные сети, модерируемые модели и байесовские сети.

Поперечные сети остаются самым распространённым входом в метод. В таких моделях исследователь обычно оценивает связи между симптомами или пунктами шкалы в одной выборке и в один момент времени. После оценки сети можно анализировать отдельные узлы и структуру в целом. Например, центральность используется для описания положения узла в сети, предсказуемость показывает, какую долю вариации узла объясняют остальные переменные, а алгоритмы выявления сообществ помогают найти группы плотно связанных симптомов. Мостовая центральность используется для поиска узлов, соединяющих разные сообщества, например тревожные и депрессивные симптомы.

Но именно на этом этапе легко совершить методологическую ошибку. Центральный симптом на сетевой диаграмме не обязательно является лучшей терапевтической мишенью. Сильная связь между двумя симптомами не доказывает причинность. Сеть, оценённая на группе людей, не обязательно описывает динамику одного пациента. Поэтому авторы подчёркивают необходимость проверять точность и стабильность сетевых параметров. Для этого используются бутстрэп-подходы и перестановочные методы, позволяющие оценить устойчивость рёбер, центральности, сообществ и групповых различий.

Следующий важный шаг – психометрическая часть сетевого анализа. Многие исследования строят сеть на уровне отдельных пунктов опросника, но это создаёт две проблемы. Во-первых, пункт опросника содержит ошибку измерения. Во-вторых, многие пункты частично дублируют друг друга семантически, поскольку исходно разрабатывались для измерения широкого конструкта. В таких случаях связи в сети могут отражать особенности инструмента, а не структуру психопатологии. Поэтому появляются латентные сетевые модели, которые учитывают ошибку измерения и позволяют моделировать отношения между латентными переменными без обязательного предположения о направлении связей.

Здесь же возникает важный мост между сетевыми и классическими психометрическими моделями. Авторы отмечают, что в некоторых случаях между сетевыми моделями и латентными моделями существует полное соответствие, включая факторные модели и модели теории ответа на пункт. Это значит, что сетевой подход не должен воевать с классической психометрикой. Напротив, методы могут взаимно усиливать друг друга: сетевые модели помогают исследовать структуру связей, а инструменты факторного анализа и структурного моделирования позволяют проверять репликацию, инвариантность измерения и качество модели.

Отдельное направление связано с байесовским подходом. В частотных сетевых моделях отсутствие ребра часто трудно интерпретировать: связь может действительно отсутствовать, а может быть плохо обнаружена из-за недостатка данных. Байесовский подход помогает различать эти ситуации, поскольку позволяет оценивать не только наличие связи, но и степень неопределённости. В статье это объясняется через вероятности разных сетевых структур: исследователь задаёт начальные вероятности, получает данные и обновляет представление о том, какая структура лучше объясняет наблюдения.

На первой иллюстрации можно показать, как работает байесовское мышление в сетевом анализе. Даже для сети всего из трёх узлов существует восемь возможных структур. До анализа каждая из них может считаться одинаково вероятной, а после появления данных вероятности перераспределяются: одни структуры становятся более правдоподобными, другие – менее. Это хороший способ показать читателю, что сетевой анализ работает не с единственной «истинной» картинкой, а с набором конкурирующих моделей и разной степенью уверенности в них.

Для клинической психиатрии особенно интересны динамические сети. Если поперечная сеть показывает, как переменные связаны в один момент времени, то временные модели пытаются понять, как один симптом предсказывает следующий. Векторная авторегрессионная модель, или VAR, описывает отношения между переменными во времени: например, предсказывает ли вечерняя тревога бессонницу ночью, а бессонница – утомляемость на следующий день. Такие модели могут строиться на данных повторных измерений, включая экологическую моментальную оценку, дневники, приложения и цифровые фенотипы.

Однако динамические сети тоже требуют осторожности. Стандартная VAR-модель предполагает стационарность: структура отношений остаётся стабильной во времени. В реальной клинике это часто слишком сильное допущение. Пациент может входить в депрессивный эпизод, выходить из него, начинать лечение, менять режим сна, попадать в стрессовый контекст. Поэтому в обзоре обсуждаются временно-изменяющиеся модели, модели переключения режимов, скрытые марковские модели, модели с точками изменения и модерируемые временные сети. Они нужны, чтобы описывать ситуации, где система меняет свои правила работы.

Особенно важен идиографический уровень, то есть анализ конкретного человека. Сетевая модель одного пациента может быть клинически полезнее усреднённой модели группы, если врач хочет понять, какие симптомы поддерживают состояние именно у этого пациента. Но индивидуальные сети требуют много наблюдений и строгой проверки. Авторы обсуждают метод INIT, который помогает оценить, действительно ли сети разных людей различаются или исследователь принимает обычный шум данных за индивидуальную специфику. Это важная защита от преждевременной персонализации.

Сетевой анализ вмешательств – ещё одно направление, близкое к практике. Этот подход объединяет сетевые модели с экспериментальными дизайнами, включая рандомизированные исследования. В сеть добавляется переменная лечения, что позволяет оценить, какие симптомы связаны с вмешательством напрямую, а какие меняются косвенно через другие симптомы. Авторы приводят пример исследований бессонницы, где когнитивные и поведенческие методы могли выглядеть сходно по общему снижению тяжести, но сетевой анализ показывал разные симптом-специфические паттерны действия.

Это особенно важно для психотерапии и психофармакологии. Два вмешательства могут давать одинаковое снижение суммарного балла по шкале, но действовать через разные элементы клинической системы. Одно может прежде всего снижать ночное бодрствование, другое – катастрофизацию, третье – избегание. В обычной шкальной оценке это различие легко теряется. Сетевой анализ помогает поставить более тонкий вопрос: какие элементы системы меняются первыми, какие следуют за ними и какие связи ослабевают на фоне лечения.

Байесовские сети открывают ещё один уровень обсуждения – причинные гипотезы. В таких моделях связи направлены, а сеть представлена как направленный ациклический граф. Узлы обозначают переменные, рёбра – условные зависимости. Байесовские сети позволяют изучать локальное поведение отдельных симптомов и формулировать гипотезы о вероятной причинной структуре. Авторы подчёркивают, что такие модели были одним из исходных форматов искусственного интеллекта: они могут автоматически обновлять вероятности и использоваться для рассуждений при наличии новых данных о пациенте.

Вторая иллюстрация хорошо подходит для объяснения байесовской сети на клинически понятном примере. В ней тревога, бессонница, депрессия, утомляемость, раздражительность и социальное избегание представлены как связанные симптомы. Стрелки показывают предполагаемые направления влияния, а серой областью выделено «марковское одеяло» депрессии – набор переменных, который статистически наиболее полно описывает её локальный контекст: родительский узел, дочерние узлы и «супруг» через общий эффект. Такая схема помогает увидеть, как симптом можно рассматривать внутри ближайшего причинного окружения, а не как изолированную жалобу.

При этом авторы проводят чёткую границу между причинной гипотезой и доказанной причинностью. Байесовская сеть может помочь перейти от вероятностных зависимостей к причинному мышлению, например через v-структуры и d-разделение. Но для причинной интерпретации нужны сильные условия: структура сети должна отражать правдоподобные причинные отношения, данные должны быть репрезентативными и достаточными, а исследователь обязан критически оценивать допущения, включая отсутствие скрытых конфаундеров. Даже при выполнении этих условий наблюдательные данные часто требуют подтверждения в лонгитюдных или экспериментальных исследованиях.

Самый концептуально сильный раздел обзора касается связи сетевых моделей с теориями психопатологии. Сеть может выступать как самостоятельная теория: например, модель панического расстройства, в которой телесные ощущения, тревожная интерпретация, избегание и страх повторного приступа образуют самоподдерживающийся контур. Но такая модель должна уметь воспроизводить реальные феномены: устойчивые состояния, резкие переходы, петли обратной связи, сохранение симптомов после исчезновения первоначального триггера. Если сеть построена на данных, которые не соответствуют теоретическому вопросу, она становится слабым представлением целевой системы.

С другой стороны, сеть может работать как инструмент для уточнения теории. Она помогает выявлять феномены, которые будущая теория должна объяснить. Например, если в разных выборках регулярно обнаруживается тесная связь между бессонницей, утомляемостью и социальной изоляцией, это может стать отправной точкой для более формальной модели депрессии. Авторы подчёркивают, что сетевые модели полезны для итеративной работы: исследователь выявляет феномен, строит формальную или вычислительную теорию, симулирует данные, сравнивает их с реальными наблюдениями и затем уточняет модель.

Почему это важно

Для психиатрии сетевой анализ ценен потому, что он делает клиническую сложность предметом моделирования. Он позволяет говорить не просто о наличии симптомов, а о том, как они организованы, какие связи устойчивы, какие меняются во времени и какие элементы системы могут быть особенно важны для вмешательства. Это соответствует реальному клиническому мышлению: врач редко видит набор независимых пунктов DSM или МКБ. Он видит систему, где сон, тревога, настроение, активность, соматические ощущения, социальное поведение и лечение постоянно влияют друг на друга.

В то же время сетевой анализ требует методологической дисциплины. Сеть, построенная на одномоментных данных, не должна автоматически трактоваться как динамический процесс. Центральный узел нельзя сразу считать лучшей терапевтической мишенью. Групповая сеть может плохо описывать конкретного пациента. Причинные стрелки требуют теоретической и эмпирической проверки. Именно поэтому обзор Briganti и соавторов важен как методологическая навигация: он показывает возможности сетевого подхода и одновременно постоянно возвращает читателя к ограничениям.

Что это меняет

Сетевой анализ постепенно превращается из красивой визуализации в полноценный язык современной психиатрической методологии. Он может использоваться для описания структуры симптомов, проверки психометрических моделей, анализа индивидуальной динамики, изучения механизмов лечения и генерации причинных гипотез. Такой подход особенно важен для расстройств, где клиническая гетерогенность велика, а усреднённые шкальные баллы плохо объясняют индивидуальную траекторию пациента.

Практический вывод должен быть трезвым. Сетевой анализ пока не является готовым клиническим калькулятором, который можно без подготовки перенести в кабинет врача. Но он уже меняет исследовательский вопрос. Вместо «насколько выражена депрессия» можно спрашивать, какие элементы депрессивной системы поддерживают друг друга. Вместо «какое лечение снижает общий балл» можно анализировать, какие симптомы меняются напрямую. Вместо «какой фактор связан с исходом» можно строить модели, где симптом, контекст и лечение рассматриваются как взаимосвязанная система.

Именно в этом направлении движется психиатрия, если она хочет стать более точной. Не через отказ от диагнозов и шкал, а через более сложную архитектуру объяснения, где диагноз остаётся клиническим ориентиром, шкала – инструментом измерения, а сеть – способом увидеть внутреннюю организацию психопатологии.

Источник

Briganti G, Scutari M, Epskamp S, Borsboom D, Hoekstra RHA, Golino HF, et al. Network analysis: An overview for mental health research. International Journal of Methods in Psychiatric Research. 2024;33(4):e2034. doi:10.1002/mpr.2034. PMID: 39543824; PMCID: PMC11564129

Перевод: Жоров Е. Н.