Disentangling Brain-Psychopathology Associations: A Systematic Evaluation of Transdiagnostic Latent Factor Models

Dit onderzoek concludeert dat transdiagnostische latente factormodellen, ondanks hun vermogen om neurale correlaten tussen constructen te onderscheiden, niet systematisch leiden tot sterkere betrouwbaarheid of hersen-psychopathologie associaties vergeleken met traditionele samenvattende scores, wat suggereert dat verbeteringen in de fenotypische beoordeling noodzakelijk zijn om de voorspellende kracht te vergroten.

De kern

De hersenen en de geest: Een zoektocht naar de juiste manier om ze te meten

Stel je voor dat je een enorme bibliotheek hebt vol met boeken over menselijk gedrag. Sommige boeken gaan over verdriet, andere over woede, en weer andere over angst. In de psychiatrie proberen we vaak deze boeken in vaste categorieën in te delen: "dit is een depressie," "dat is een angststoornis." Maar in het echte leven is het leven niet zo netjes. Mensen hebben vaak een mix van symptomen, en ze overlappen elkaar.

De onderzoekers van dit artikel vroegen zich af: Is er een betere manier om deze complexe gedragingen te meten, zodat we ze beter kunnen koppelen aan wat er in de hersenen gebeurt?

Ze gebruikten een slimme wiskundige methode (noem het "de ontwar-methode") om te kijken of ze de "gemeenschappelijke" problemen van iemand konden scheiden van de "specifieke" problemen. Ze vergeleken deze slimme methode met de oude, simpele manier: gewoon alle symptomen optellen.

Hier is wat ze ontdekten, vertaald in alledaagse taal:

1. De "Optelsom" vs. De "Slimme Analyse"

Stel je voor dat je wilt weten hoe goed iemand rijdt.

• De simpele methode (Optelsom): Je telt alle fouten op die de bestuurder heeft gemaakt: 5 keer door rood gereden, 3 keer te hard, 2 keer te snel. Totaal: 10 fouten.
• De slimme methode (Factoranalyse): Je probeert te kijken: "Is deze persoon een snelheidsgevaar of een onvoorzichtige bestuurder?" Je probeert de algemene slechte rijstijl te scheiden van de specifieke snelheidsproblemen.

De onderzoekers dachten: "Als we de specifieke problemen zo goed mogelijk scheiden, moeten we de hersenen die bij die problemen horen ook veel scherper kunnen zien." Het was alsof ze dachten dat een betere lens de foto van de hersenen zou verbeteren.

2. Het Grote Verdict: De Lens maakte geen verschil

Het verrassende nieuws is: De slimme lens gaf geen betere foto.

Of ze nu de simpele optelsom gebruikten of de complexe wiskundige analyse, de voorspelling van hoe de hersenen eruit zagen, bleef bijna precies hetzelfde.

• De "algemene" psychopathologie (de totale hoeveelheid problemen) zag er in de hersenen bijna identiek uit als de simpele optelsom van alle problemen.
• De "specifieke" problemen (alleen angst, alleen agressie) voorspelden ook niet beter dan de simpele optelsom.

Het is alsof je probeert een zwak signaal te versterken. Je kunt de beste versterker ter wereld kopen (de slimme wiskundige methode), maar als het originele signaal (de link tussen gedrag en hersenen) al heel zwak is, blijft het resultaat zwak. De hersenen en het gedrag lijken gewoon niet heel sterk met elkaar verbonden op de manier waarop we ze nu meten.

3. De enige echte winst: Het scheiden van de kleuren

Hoewel de voorspelling niet beter werd, was er één ding waar de slimme methode wel een voordeel had: Scheiding.

Stel je voor dat je een mengsel van rode en blauwe verf hebt.

• Met de simpele optelsom zie je een paarse vlek. Je weet niet precies hoeveel rood en hoeveel blauw erin zit.
• Met de slimme methode (de bifactor-modellen) kun je de rode en blauwe verf weer uit elkaar halen. Je ziet nu duidelijk: "Ah, dit deel van de hersenen hoort bij de rode verf (agressie) en dat deel bij de blauwe verf (angst)."

De onderzoekers zagen dat bij de slimme methode de patronen in de hersenen voor verschillende problemen (zoals angst vs. agressie) duidelijker van elkaar gescheiden waren. Ze waren minder "vervuild" door elkaar. Dit is waardevol voor wetenschappers die willen begrijpen hoe specifieke delen van de geest werken, maar het maakte de voorspelling van het gedrag zelf niet sterker.

4. Waarom is dit belangrijk?

De conclusie is een beetje een koude douche, maar ook een verheldering:
Het probleem zit niet in de manier waarop we de vragenlijsten invullen of de wiskunde doen. Het probleem is dat de link tussen wat we zien in de hersenen en wat mensen voelen, gewoon heel klein is.

Het is alsof je probeert de smaak van een soep te voorspellen door alleen naar de pan te kijken. Of je nu de pan heel goed bekijkt of een speciale lens gebruikt, je kunt de smaak niet perfect voorspellen omdat de pan niet de hele smaak bepaalt. Misschien zijn het de ingrediënten (de omgeving, de opvoeding, de genen) die we nog niet goed genoeg meten.

De Les voor de Toekomst

De onderzoekers concluderen: Laten we niet eerst proberen de wiskunde te verbeteren, maar eerst de "ingrediënten" beter meten.

In plaats van te blijven zoeken naar de perfecte wiskundige formule om bestaande vragenlijsten te analyseren, moeten we misschien beter kijken naar de context: hoe groot is de druk in het gezin? Hoe is de schoolomgeving? Als we die dingen beter begrijpen, kunnen we misschien eindelijk de echte link met de hersenen vinden.

Kortom: De slimme wiskunde helpt om de kleuren van de hersenen iets scherper te zien, maar het maakt de voorspelling van het gedrag niet beter. De sleutel ligt waarschijnlijk niet in de rekenmachine, maar in het beter begrijpen van het leven van de patiënt.

Technische samenvatting

Probleemstelling

De psychiatrische neuroimaging-onderzoeksfeld worstelt met de uitdaging om robuuste associaties tussen hersenstructuur/functie en psychopathologie te vinden. Traditionele, categorische diagnoses worden belemmerd door aanzienlijke heterogeniteit binnen diagnoses en hoge comorbiditeit tussen verschillende stoornissen. Om dit op te lossen, worden transdiagnostische latente factormodellen (zoals bifactor-modellen) voorgesteld. Deze modellen proberen de variantie in symptomen te splitsen in een algemene factor (de "P-factor" of algemene psychopathologie) en specifieke, orthogonale factoren (bijv. internaliserend, externaliserend).

De theoretische aanname is dat deze latente factoren, door meetfouten te reduceren en gedeelde variantie te isoleren, zouden moeten leiden tot:

1. Betere betrouwbaarheid (reliability).
2. Sterkere en meer specifieke associaties met neuroimaging-data (hersenen).

Echter, de mate waarin deze psychometrische voordelen zich vertalen naar daadwerkelijk sterkere hersen-symptoomassociaties in vergelijking met traditionele samenvattende scores (summary scores) was tot nu toe onduidelijk.

Methodologie

De auteurs voerden een systematische evaluatie uit in twee grote ontwikkelingscohorta:

1. Adolescent Brain Cognitive Development (ABCD) study: Een grote longitudinale cohortstudie in de VS (N = 10.897 voor psychometrie; N = 6.572 voor neuroimaging-analyses).
2. Brazilian High-Risk Cohort (BHRC): Een schoolgebaseerde cohortstudie in Brazilië (N = 771).

Data en Instrumenten:

• Psychopathologie: Gebruik van de Child Behaviour Checklist (CBCL), een oudergerapporteerde vragenlijst met 120 items.
• Neuroimaging:
  • Structurele MRI (corticale dikte).
  • Rustende-toestand fMRI (rs-fMRI) voor functionele connectiviteit.
  • Data werden verwerkt volgens de ABCD-BIDS en DCAN BOLD pipelines.

Modelleeraanpak:
De auteurs vergeleken drie benaderingen voor het scoren van psychopathologie:

1. Samenvattende scores (Summary Scores): Traditionele T-scores (bijv. totaalproblemen, internaliserend, externaliserend) als lineaire sommen van items.
2. Bifactor-modellen: 11 verschillende eerder gepubliceerde oplossingen waarbij items laden op een algemene "P-factor" en orthogonale specifieke factoren.
3. Gecorreleerde factormodellen: Modellen zonder algemene factor, waarbij specifieke factoren met elkaar correleren.

Analyse:

• Betrouwbaarheid: Getest-retest betrouwbaarheid (correlaties tussen baseline en follow-up) en interne consistentie (omega, factor determinacy).
• Voorspellende Validiteit: Multivariate lineaire ridge-regressie werd gebruikt om de CBCL-scores te voorspellen op basis van hele-hersen connectiviteitsmatrices en corticale dikte.
  • Gebruik van "discovery" en "replication" samples om data-lekkage te voorkomen.
  • 2-voudige cross-validatie met geneste parameteroptimalisatie.
  • Prestaties gemeten via Pearson-correlatie en $R^2$ (verklaarde variantie).
• Neurale Correlaten: Haufe-getransformeerde feature weights werden gebruikt om de ruimtelijke patronen van neurale correlaten te visualiseren en te vergelijken tussen de verschillende score-methoden.

Belangrijkste Resultaten

1. Betrouwbaarheid (Reliability)

• Samenvattende scores en latente factoren toonden over het algemeen vergelijkbare test-retest betrouwbaarheid.
• Uitzondering: Specifieke factoren afgeleid van bifactor-modellen (bijv. specifiek externaliserend of internaliserend) hadden lagere betrouwbaarheid dan hun tegenhangers in samenvattende scores of gecorreleerde factormodellen. De algemene P-factor had wel hoge betrouwbaarheid.

2. Voorspellende Accuracy (Prediction Accuracy)

• Er was geen consistent bewijs dat latente factoren (bifactor of gecorreleerd) sterkere associaties met hersenimaging opleverden dan simpele samenvattende scores.
• De voorspellende nauwkeurigheid was zeer vergelijkbaar tussen de methoden (gemiddelde correlatie $r \approx 0.10$; $R^2 \approx 0.01$).
• P-factor vs. Totaalproblemen: De P-factor en de totale probleem-samenvattende score waren numeriek bijna equivalent in zowel voorspellende nauwkeurigheid als ruimtelijk patroon van neurale correlaten.
• Corticale dikte: Voorspellingen op basis van corticale dikte waren over het algemeen niet significant, in tegenstelling tot functionele connectiviteit.

3. Relatie tussen Betrouwbaarheid en Voorspelling

• Hoewel hogere betrouwbaarheid binnen een bepaald construct (bijv. verschillende modellen voor externaliseren) leidde tot betere voorspellingen, vertaalde dit zich niet naar een algemeen hoger voorspellend vermogen voor de P-factor ten opzichte van specifieke factoren.
• Dit suggereert een theoretisch plafond voor de hoeveelheid symptoomvariantie die door hersenkenmerken kan worden verklaard, ongeacht de psychometrische modellering.

4. Neurale Correlaten en Scheidbaarheid

• Overlapping: De neurale patronen (feature weights) voor overeenkomstige constructen (bijv. bifactor-externaliserend vs. samenvattende externaliserende score) waren zeer sterk op elkaar gelijkend.
• Scheidbaarheid (Separability): Een belangrijk verschil was dat bifactor-modellen meer scheidbare neurale correlaten opleverden tussen de algemene factor en specifieke factoren (zoals internaliserend vs. externaliserend) dan samenvattende scores of gecorreleerde factoren.
  • Dit komt door de orthogonisatie in bifactor-modellen: de gedeelde variantie wordt verwijderd uit de specifieke factoren, waardoor hun unieke neurale correlaten duidelijker naar voren komen (bijv. meer afhankelijkheid van DMN-CO connectiviteit voor internaliserende bifactor-scores).

Bijdragen en Significatie

Technische Bijdrage:
Dit onderzoek biedt de eerste systematische, grote schaal vergelijking van transdiagnostische factormodellen versus traditionele scores in de context van voorspelling van psychopathologie uit neuroimaging-data. Het benadrukt het belang van het testen van "double-dipping" risico's door modellen onafhankelijk te trainen en te testen.

Kernconclusies:

1. Beperkt voordeel van complexe modellering: Het gebruik van complexe bifactor-modellen leidt niet tot een systematische verbetering in de sterkte van hersen-symptoomassociaties ten opzichte van simpele som-scores.
2. Plafond-effect: De zwakke voorspellende kracht van neuroimaging voor psychopathologie lijkt een fundamentele beperking te zijn van de effectgrootte, en niet alleen een gevolg van meetfouten. Psychometrische verfijning alleen is onvoldoende om dit plafond te doorbreken.
3. Betrouwbaarheid vs. Constructvaliditeit: Hoewel de P-factor zeer betrouwbaar is, betekent dit niet dat deze sterker correleert met hersenstructuren dan specifieke factoren. Betrouwbaarheid is noodzakelijk maar niet voldoende voor sterke associaties met externe criteria.
4. Nieuwe inzichten door orthogonalisatie: Hoewel de voorspellende kracht niet toeneemt, bieden bifactor-modellen wel waardevolle inzichten in de unieke neurale correlaten van specifieke domeinen door de gedeelde variantie te verwijderen. Dit kan helpen bij het ontrafelen van specifieke neurale netwerken voor specifieke symptoomdomeinen.

Implicaties voor de Toekomst:
De auteurs concluderen dat de focus voor verbetering van hersen-psycho-pathologie associaties niet primair ligt in het herparametriseren van bestaande symptoominventarisaties (zoals CBCL), maar eerder in het verbeteren van de fenotypische beoordeling zelf. Dit omvat het opnemen van rijkere data over symptomen, omgevingsfactoren en ontwikkelingscontext om de constructvaliditeit te vergroten voordat er geavanceerde statistische modellering wordt toegepast.