Mobiele menu

Solving complex problems with complex analysis. Improving the recognition and treatment of suicidal patients by integrating graph theory with psychiatry.

Projectomschrijving

Een netwerkbenadering van suïcidaal gedrag

Suïcidaal gedrag is een breed maatschappelijk probleem waar we nog te weinig zicht op hebben. Het wordt gezien als het eindresultaat van de complexe samenhang tussen psychologische, biologische en sociale factoren.

Netwerkbenadering

Een netwerkbenadering van suïcidaal gedrag kan een belangrijke rol spelen om deze complexe interactie goed te beschrijven. In een netwerkbenadering van psychopathologie is de interactie tussen observeerbare symptomen van belang. Het begrijpen van de interactie van symptomen biedt een ander perspectief op het ontstaan en ontwikkelen van suïcidaliteit.

Er wordt niet meer gezocht naar een overkoepelende of onderliggende stoornis die de symptomen veroorzaakt, maar naar de onderlinge interactie van symptomen en processen. Symptomen kunnen elkaar besmetten waardoor andere symptomen actief worden. Zo zijn er vicieuze cirkels gevonden van verschillende symptomen van het cluster depressie:

Werkwijze en samenwerking

Vanaf juli 2017 doe ik 4 jaar lang onderzoek naar deze nieuwe ontwikkelingen, in samenwerking met:
  • de afdeling psychologische methodenleer van de Universiteit van Amsterdam (UvA)
  • de afdelingen psychologie van de Vrije Universiteit Amsterdam (VU) en de Universiteit Utrecht (UU)
  • GGZ inGeest
  • Trimbos-instituut
  • technische universiteit ETH in Zurich
  • Universiteit Glasgow
Ik maak daarbij gebruik van grote (inter)nationale databases zoals de NESDA data (Netherlands study of depression and enxiety) van de VU.

Doel

Leren hoe suïcidale mensen van elkaar verschillen en hoe we ze het beste kunnen behandelen. Op de lange termijn zal dit tot minder suïcides moeten leiden.

Implementatie

De Depressievereniging, de Stichting Borderline, de Landelijke Stichting Zelfbeschadiging en Psychosenet zijn nauw betrokken, net als 113suïcide preventie en de Ivonne van de Ven Stichting. Met hen zal ik vanaf het begin van de studie de implementatie van de resultaten bespreken.

Verslagen


Eindverslag

Suïcidaliteit is het gevolg van de complexe interactie tussen vele factoren zoals “het gevoel in de val te zitten” (entrapment), piekeren en hopeloosheid. In mijn fellowship paste ik een nieuwe statistische techniek toe, netwerk analyse, om deze complexiteit te bestuderen. De netwerk analyses lieten zijn dat sommige risicofactoren zoals entrapment suïcidale gedachten direct te beïnvloeden. Andere factoren zoals defeat (gevoel een loser te zijn)bleken alleen indirect geassocieerd te zijn met suicidale gedachten. Netwerkanalyse is een eerste stap in denken over suïcidaliteit als een complex systeem. Complexe systemen zie je overal in de natuur, en kenmerken zich doordat ze bestaan uit vele factoren die sterk met elkaar verbonden zijn, en waarvan de interactie over tijd veranderd. Voorbeelden van complexe systemen zijn zwermen vogels en de groei van een populatie. Met mijn fellowship heb ik onderzocht of de technieken en concepten uit de complexiteit wetenschappen kunnen helpen om suïcidaliteit beter te begrijpen. Vanuit het complexiteits denken zou je suïcidaliteit kunnen zien als het gevolg risico factoren die elkaar in een cirkel versterken (bijvoorbeeld piekeren -> depressieve gevoelens -> suïcidale gedachten-> piekeren). Uiteindelijk is het gevolg van deze "loop" dat iemand schijnbaar opeens in een suïcidale crisis is komen te zitten. Vele analyses binnen mijn fellowship toonden inderdaad dat risicofactoren voor suïcidaliteit clusteren, en dus over de tijd een loop zouden kunnen vormen. Via data verzameld met een mobiele telefoon vonden we bij 1 patiënt inderdaad aanwijzingen dat de plotselinge toename in suïcidale gedachten overeen kwam met de voorspelling vanuit de complexiteit theorie. Deze inzichten hebben gevolgen voor de praktijk en onderzoek. Een suïcidale crisis laat zich niet eenvoudig voorspellen, en vraagt van de hulpverlener en de patiënt om steeds alert te zijn op (onverwachte) veranderingen in suïcidaliteit.

Suïcidaal gedrag is heel complex. In plaats van één verklaring zijn er heel veel verschillende factoren die er uiteindelijk voor zorgen dat iemand suïcidaal wordt. In mijn studie breng ik deze complexiteit in kaart te brengen middels een nieuwe statistische techniek, netwerk analyse. Netwerk analyse stelt dat psychopathologie zoals depressie, maar ook suïcidaliteit ontstaat vanuit de interactie van risico factoren, en dus niet op zichzelf staat. Risico factoren zoals piekeren, hopeloosheid en eenzaamheid versterken elkaar, en volgens de netwerk theorie is het deze interactie die ervoor zorgt ervoor dat iemand meer suïcidaal wordt. De eerste resultaten laten inderdaad zien dat veel factoren direct samenhangen met suicidaliteit, en dat alle variabelen ook onderling verbonden zijn. Belangrijk is het inzicht dat deze interactie tussen factoren verandert over tijd. We komen dan op het vakgebied van de ecologie. Daar weten ze al langer dat complexe systemen zoals het weer het resultaat zijn van de veranderende interactie tussen vele variabelen. Opeens kan er een tipping point zijn, een omslag punt waardoor het hele systeem kantelt. In de resterende jaren van mijn beurs probeer ik inzichten uit de ecologie vertalen naar de suïcide preventie. Kan je suïcidaal gedrag ook benaderen als een complex systeem, dat opeens om kan slaan, een tipping point heeft? En kan je dit tipping point ook voorspellen?

Samenvatting van de aanvraag

Suicide is a major public health issue worldwide. Despite the morbidity and mortality associated with suicidal behavior, evidence on effectiveness of clincial interventions for suicidal patients is lacking. More fundamentally, we understand little of the aetiology and development of suicidal behavior, only that it is a highly complex interplay between psychological, social and biological factors. An important reason for the lack of evidence is the difficulty in conducting a well-designed study among suicidal patients. Suicidal patients are often excluded from clinical trials, and the randomization of suicidal patients is deemed unethical. Additionally, in most analysis, researchers did not differentiate between subgroups of suicidal patients. We therefore know little about the difference in suicidal behavior between males and females, adolescents and elderly, or between depressed patients and autistic patients. The application of network analysis to psychiatric data resulted in a paradigm shift in thinking about psychopathology. In a network approach to psychopathology, disorders are conceptualized as complex dynamic systems of interacting symptoms. Network analysis can be used to validate more complex theoretical models because it can analyse the association between different symptoms simultaneously. In this project, I will compare different networks, such as the networks of suicidal males with the networks of suicidal females, making it possible to better understand the differences in aetiology and development of specific patient groups. Importantly, recent innovations in the field of graph theory allow to estimate the effectiveness of an intervention from observational data only, without having to do the actual experiment. As counterintuitive as this may sound, this means that I can use existing databases to examine which intervention can be effective for suicidal patients, and thereby improve the evidence for suicide prevention. Validation studies in the field of biology found that these techniques can reliably estimate causal effects using only observational data. However, psychopathology researchers and clinicians are not equipped to use these techniques, due to lack of training, time or interest. Computer scientists on the other hand do not have access to relevant clinical data, nor the theoretical knowledge or the network to translate the results into meaningful insights for clinical practice. In the proposed fellowship, I propose to bridge this gap. I will apply recent developments in graph theory to both national and international data. The fellowship will result in 1) a better understanding of suicidal behavior within different patient’s groups (gender, age-groups, diagnoses, ethnicity) 2) an improvement of early recognition and treatment of suicidal behavior 3) a translation of the new insights into clinical tools. I have the statistical experience, the clinical network and the experience with implementation of results in clinical practice to realize the proposed goals. Two of the most advanced research groups on network analysis (University of Amsterdam) and causal inference (ETH university Zurich) are part of the proposed research group. This will allow to optimize the analysis techniques for the available datasets. Analyses will be applied to Dutch datasets (NIVEL, NEMESIS, NESDA) and international datasets from the university of Glasgow. Representatives of these databases are part of the research group of this grant. NIVEL offered to co-fond the data handling costs and other additional expenses. Implications for clinical practice will be discussed with suicide experts, clinical experts and patient organization Ivonne van der Ven. Special care will be taken to translate the new insights into clinical useable tools. During my PhD, I learned to translate scientific insights into recommendation that clinicians could apply in their day to day routine. The e-learning module and PITSTOP training that I developed for the implementation of the guideline suicide prevention will serve as the starting point for implementation. As suicide prevention organization 113online will keep on offering the PITSTOP training, and the e-learning module of the GGZecademy is one of the most used e-learning module in psychiatry, I expect to reach around 1000 professionals each year with the new insights. Our results will be of direct use for patients and their significant others. The results will demonstrate the effectiveness of peer support or other forms of community help on suicidal behavior. Networks can be used to educate significant others of how the suicidal process in patients takes place, and what happens if they for example more actively listen to the suicidal thoughts of the patients. Overall, this fellowship will improve our understanding of suicidal behavior within different groups of patients, and increase the effectiveness of the interventions provided by clinicians and significant others.

Onderwerpen

Kenmerken

Projectnummer:
636320002
Looptijd: 100%
Looptijd: 100 %
2017
2023
Onderdeel van programma:
Gerelateerde subsidieronde:
Projectleider en penvoerder:
Dr. D.A.J.P. de Beurs
Verantwoordelijke organisatie:
Trimbos-instituut
Op de hoogte blijven? Volg Derek de Beurs op Twitter of LinkedIn.