《Frontiers in Psychiatry》:Cognitive and affective networks in patients referred for cognitive screening: latent profiles, bridge nodes, and exploratory directional structures
编辑推荐:
背景:在转诊接受认知筛查的患者中,较低的认知表现与焦虑和抑郁常同时出现,但这两个领域如何相互连接,以及这种连接在不同患者亚组间是否存在差异,尚不明确。既往的网络研究使用了简化的认知工具、自我报告的情感测量以及无向模型。
方法:在这项针对中国一家综合医院548名
背景:在转诊接受认知筛查的患者中,较低的认知表现与焦虑和抑郁常同时出现,但这两个领域如何相互连接,以及这种连接在不同患者亚组间是否存在差异,尚不明确。既往的网络研究使用了简化的认知工具、自我报告的情感测量以及无向模型。
方法:在这项针对中国一家综合医院548名转诊接受认知筛查患者的横断面研究中,16个网络节点源自蒙特利尔认知评估(MoCA)的七个维度、汉密尔顿焦虑评定量表(HAMA)的两个因子以及24项汉密尔顿抑郁评定量表(HAMD-24)的七个因子。研究人员估计了整体样本及各潜在剖面分析所识别剖面的高斯图模型(GGM)及其桥预期影响(bridge expected influence)。研究人员采用带自助重抽样的贝叶斯有向无环图(Bayesian DAG)探索整体样本及各剖面内跨领域关联的方向。研究人员通过网络比较检验对各剖面进行比较。
结果:认知与情感节点形成了两个几乎完全分离的社群(归一化互信息NMI = 1.000),主要通过语言(language)和焦虑/躯体化(anxiety/somatization)这两个主要桥节点相连。潜在剖面分析识别出三个剖面:低认知表现组(n = 114)、高情感负担组(n = 167)和低情感负担组(n = 267)。在自助抽样下,仅有少数跨领域边是稳定的(整体样本中5条;各剖面分别为6条、3条和0条),且大多数边的方向确定性接近0.50。方向确定性最高的两条边——定向力(orientation)到迟滞(retardation)以及语言到焦虑/躯体化——在其方向可确定的样本中均从认知节点指向情感节点,且在调整年龄和教育程度前后结果一致。各剖面之间的差异体现在出现的跨领域边不同,而非任何一条边的方向不同。探索性网络比较表明,高情感负担与低情感负担剖面在全域强度(global strength)和网络结构上存在差异,但没有任何边水平的差异在经过多重比较校正后仍然显著。
结论:认知与情感领域形成了大体分离的社群,由一条狭窄的桥梁连接,且样本包含三个不同的剖面。方向性结构属于探索性发现。本研究结果支持在认知筛查场景中进行分层评估;但并未确立因果方向或治疗顺序,这需要纵向研究和干预研究加以验证。
研究背景与现存问题
在认知筛查临床实践中,患者常同时表现出认知功能下降与焦虑、抑郁等情感症状。大量流行病学证据来自老年轻度认知损害(MCI)的研究,然而认知筛查门诊服务的人群涵盖更广的年龄段,而现有研究对这一更广泛临床人群中认知-情感界面的结构关注不足。这种共病不仅加重患者症状负担,还带来重要的临床困境:若认知衰退先于情感障碍,临床应优先进行认知康复;若情感障碍侵蚀认知功能,则应优先处理情感问题。方向判断错误可能导致有限的临床资源投向错误目标。既往多数研究采用回归或结构方程模型,将认知损害和情感障碍简化为总分,无法揭示特定认知功能与特定情感症状之间的具体联系。少数应用网络分析方法的研究存在三个共同局限:未使用完整的七维度蒙特利尔认知评估(MoCA)作为认知节点;全部采用自评量表评估情感症状,可能因共同方法偏差夸大跨领域相关;均仅使用无向网络,无法推断关联方向。
研究设计与核心发现
为弥补上述空白,研究人员提出三层分析框架:在指标层面,整合完整七维度MoCA与临床医生评定的汉密尔顿焦虑评定量表(HAMA)和24项汉密尔顿抑郁评定量表(HAMD-24),构成16个节点;在人群层面,通过潜在剖面分析(LPA)识别数据驱动的亚型;在分析层面,联合使用高斯图模型(GGM)与贝叶斯有向无环图(Bayesian DAG)。研究纳入中国南华大学附属南华医院睡眠医学中心548名转诊接受认知筛查的患者(年龄18-89岁,平均58.2±13.9岁,女性56.4%),所有患者在7天内完成MoCA、HAMA和HAMD-24评定。
研究得出五项主要结论:(1)认知与情感领域形成两个几乎完全分离的网络社群,两种社区检测算法均完美恢复先验划分(归一化互信息NMI=1.000),跨领域边的最大正则化偏相关系数仅为0.078;(2)桥预期影响(bEI)识别出两个主要跨领域桥节点:情感侧的焦虑/躯体化(HD_F1,bEI=+0.109)和认知侧的语言(LANG,bEI=+0.086);(3)潜在剖面分析识别出三个性质不同的剖面:低认知表现组(Profile 1,n=114,平均MoCA 10.5分)、高情感负担组(Profile 2,n=167,平均HAMA 20.7分、HAMD-24 23.6分)和低情感负担组(Profile 3,n=267,平均HAMA 10.1分、HAMD-24 10.9分),其中Profile 2和Profile 3的认知得分相近(MoCA 24.4 vs 25.5)但情感负担截然不同,MMSE外部验证确认两者认知水平无差异(p=0.160);(4)贝叶斯DAG分析显示,方向确定性最高的两条跨领域边——定向力(ORI)到迟滞(HD_F5)以及语言(LANG)到焦虑/躯体化(HD_F1)——在其方向可确定的样本中均从认知指向情感,且在调整年龄和教育程度后保持一致;(5)网络比较检验显示Profile 2与Profile 3在全域强度和网络结构上存在差异(p值分别为0.034和0.014),但无边水平差异在校正多重比较后仍显著。
关键技术方法
研究人员采用的主要技术方法包括:(1)潜在剖面分析(LPA),使用tidyLPA包调用mclust拟合1至6个剖面模型,协方差结构指定为最简约的EEI参数化(等方差、零协方差),依据信息准则、熵值、Bootstrap似然比检验及最小剖面比例选择最优剖面数;(2)高斯图模型(GGM)估计,使用bootnet包的EBICglasso算法,输入Spearman相关矩阵,扩展贝叶斯信息准则调谐参数γ设为0.5,分别对整体样本和各剖面估计网络;(3)中心性与桥中心性分析,计算预期影响(EI)和桥预期影响(bEI),并通过逐例剔除Bootstrap评估稳定性;(4)贝叶斯有向无环图(DAG)分析,使用bnlearn包的爬山算法结合高斯贝叶斯信息准则评分函数,经50次随机重启和1000次非参数Bootstrap重抽样评估边的稳定性和方向确定性;(5)网络比较检验,使用NetworkComparisonTest包进行1000次置换的成对比较,检验全域强度不变性和网络结构不变性。
研究结果详述
3.1 参与者特征:最终样本548人,平均年龄58.23±13.93岁,女性占56.4%。53.6%的患者教育校正MoCA总分低于常规截断值26分。所有16个节点均显著偏离正态分布,确认使用Spearman相关。认知节点内平均绝对相关为0.495,情感节点内为0.359,而跨领域平均绝对相关仅为0.058,表明在网络建模前两领域已高度分离。
3.2 潜在剖面分析:三剖面解被保留,熵值为0.891,平均后验分类概率分别为0.965、0.929和0.958。Profile 1(低认知表现组)年龄最大(68.0±10.1岁),MoCA得分最低(10.5±4.9),情感症状接近样本均值。Profile 2(高情感负担组)认知接近正常(MoCA 24.4±3.8),情感负担最高(HAMA 20.7,HAMD-24 23.6)。Profile 3(低情感负担组)认知与Profile 2相当(MoCA 25.5±3.7),情感负担最低(HAMA 10.1,HAMD-24 10.9)。MMSE外部验证显示Profile 1显著低于其他两组,Profile 2与Profile 3无差异。
3.3 整体网络结构:GGM网络呈现显著的两社群结构,Walktrap和Spinglass算法均完美恢复先验划分(NMI=1.000)。EBICglasso正则化后仅保留13条跨领域边,最强的语言(LANG)与焦虑/躯体化(HD_F1)之间正则化偏相关系数仅为0.078。
3.4 中心性与桥症状:预期影响(EI)最高的节点为精神性焦虑(HA_P,EI=1.127)和认知障碍(HD_F3,EI=1.036),其次为注意力(ATT,EI=1.006)和焦虑/躯体化(HD_F1,EI=0.975)。桥预期影响识别出HD_F1(bEI=+0.109)和LANG(bEI=+0.086)为主要桥节点。记忆(MEM)、注意力(ATT)、抽象思维(ABS)和体重(HD_F2)四个节点的bEI为零,不参与任何跨领域连接。EI排序高度稳定(CS=0.750),bEI排序达到可接受阈值(CS=0.361)。
3.5 剖面特异性网络:Profile 1网络中7个认知节点中5个EI为零,网络由情感节点主导。Profile 2网络最为稀疏,HD_F3取代HA_P成为最高EI节点。Profile 3网络最为密集,HA_P重回首位,记忆(MEM)升至第二。网络比较检验显示Profile 2与Profile 3在全域强度(p=0.034)和网络结构(p=0.014)上存在差异,但无边水平差异在校正后显著。
3.6 有向无环图:整体样本DAG包含39条有向边,其中7条连接认知与情感节点,6条为强制边。唯一方向确定性高的边为ORI到HD_F5(包含率0.998,方向确定性0.80)。LANG到HD_F1(包含率0.687,方向确定性0.58)方向确定性接近0.50。各剖面间差异体现在出现的跨领域边不同,而非同一边的方向相反。Profile 3中无跨领域边达到稳定包含阈值。
3.7 敏感性分析:排除天花板效应严重的命名(NAM)和抽象思维(ABS)或命名和定向力(ORI)的14节点模型,以及合并命名和语言的15节点模型中,EI排名保持稳定。γ设为0时前三EI节点不变。放松正则化后Profile 1网络变得稠密。Tabu搜索与爬山算法在强Bootstrap支持的边上一致,在弱支持的边上存在分歧。
3.8 年龄、教育及年龄亚组敏感性分析:多分类Logistic回归显示年龄和教育程度可区分Profile 1与其他两个剖面,但不能区分Profile 2与Profile 3。残差化调整后,ORI到HD_F5和LANG到HD_F1的边仍以相同方向出现。60岁以上亚组中两社群结构保持,但桥预期影响的CS系数降至不可解释水平。
讨论与结论
本研究的五个主要发现具有重要理论和方法学意义。首先,认知与情感领域近乎完全分离的结构超出以往研究报告的程度,可能源于使用临床医生评定量表减少共同方法偏差、客观认知测试与主观情感评分的概念距离更大,以及超过半数患者认知受损严重可能缺乏对自身问题的情感觉察。这一分离在调整年龄和教育程度后保持不变,并在60岁以上亚组中得到复制。其次,方向性结构的探索发现,定向力到迟滞和语言到焦虑/躯体化这两条方向确定性最高的边均从认知指向情感,且在各剖面和调整后保持一致,但这仅产生需纵向验证的假设,而非建立因果关系。第三,三个性质不同的剖面挑战了认知与情感同步变化的传统假设,提示存在两种独立的异质性来源:与年龄和教育相关的认知梯度(定义Profile 1),以及与年龄和教育无关的情感负担差异(区分Profile 2和Profile 3)。第四,桥节点分析精确定位了语言功能和焦虑/躯体化症状作为两大领域间的关键连接点。第五,网络比较检验提示高情感负担与低情感负担剖面的结构差异主要在于情感症状内部的连接模式。
研究结论:认知与情感领域形成了由狭窄桥梁连接的大体分离的社群,样本包含三个不同的剖面。方向性结构属于探索性发现。本研究结果支持在认知筛查场景中进行分层评估;但并未确立因果方向或治疗顺序,这需要纵向研究和干预研究加以验证。