自杀意念的动态性质及心理风险因素：网络分析在生态瞬时评估数据中的应用

版权所有©2018-2019深圳市创科科技有限公司模拟从哔哔声到哔哔声的自杀意念：网络分析在生态瞬时评估数据Dajana Ratha，Daha，Derek de Beursb，Nina Hallenslebenc，Lena Spangenbergc，Heide Glaesmerc，Thomas Forkmannaa德国杜伊斯堡-埃森大学临床心理学系bNIVEL，Utrecht，荷兰c德国莱比锡大学医学心理学和医学社会学系1. 介绍自杀行为可能是许多不同的心理，社会和生物变量之间相互作用的结果（Hawton和Van Heeringen，2000;O 'Connor和Nock，2014）。传统流行病学研究的分析深入了解了自杀行为的更多静态风险因素的作用，如性别和抑郁史（Brown et al.，2000; Wang等人，2015），但忽视了自杀意念的动态性质及其心理风险因素。出于这个原因，最近的研究使用了一种称为生态瞬时评估（EMA）的方法，使用重复测量的组合波动状态的因素和短的后续间隔分钟或小时。1.1. 自杀学EMA研究在自杀研究领域，最近刚刚引入了通过EMA进行实时监测。第一项EMA研究不仅证明了自杀意念（SI）随时间的高波动，甚至是每小时的高波动（参见Hallensleben等人的初步数据分析，2017; Kleiman等人，2017年），但也有很大的个人内部分歧，在交流。这些结果表明，随着时间的推移，相当数量的变化SI是由人内过程。Kleiman等人（2017）不仅报告了SI的类似结果，而且还报告了与SI相关的心理风险因素，如绝望，感知负担感和挫败感。重要的是，众所周知的心理危险因素绝望，感知负担，挫败的幸福感与SI共同发生，但在短期随访中不能预测SI。截至2017年8月底，来自AMBAS综合研究的数据收集（自杀倾向的动态评估，Hallensleben等人，2017; Forkmann等人，2018年）已完成。该EMA研究的目的是基于自杀行为的人际理论的假设来调查SI的近侧风险因素（IPTS; Joiner，2007; Van Orden等人，2010年）。根据IPTS，高感知到的负担程度和受阻的责任感可导致SI。使用多水平分析来检验这些假设（参见Hallensleben等人，2019年）。对包含74例抑郁症和当前/终生自杀意念住院患者的完整EMA数据进行分析，发现了两个主要结果。首先，即使在t-1控制了SI的情况下，在同一个评估中，感知的负担感、挫折感、抑郁感和绝望感与SI同时发生。第二，绝望，感知的负担（但不是挫败的责任），以及t-1时的SI前瞻性地预测了t 时的 SI（Hallensleben等人， 2019年）。Kleiman和Nock（2018）以及Ben-Zeev等人（2012）也报告了横断面分析和时间分析之间的差异，这使得Kleiman和Nock区分了SI变化的相关因素、预测因素和预测因素（Kleiman和Nock，2018）。1.2. 网络角度在本文中，我们想扩展Hallensleben等人的发现。（2017，2019）通过使用网络分析重新分析来自AMBAS研究的EMA数据。 虽然网络分析的方法并不新鲜，但人们越来越感兴趣地将心理障碍如抑郁症视为相互作用的症状的网络（Bringmann等人，2015; De Beurs等人，2017;Epskamp等人，2012; Epskamp等人，2018; van Borkulo等人，2015;Wigman等人，2015年）。根据精神病理学的网络视角，心理健康问题（在我们的案例中，SI）是由于相互作用的症状或风险因素而发展起来的（Borsboom，2017）。例如，如果一个人有睡眠问题，这可能会导致注意力集中的问题，这可能会导致更多的反刍，这可能会导致更高水平的SI。当风险因素之间的动态关系足够强时，它们可以通过负反馈回路自我维持（Borsboom，2017）。通过在一个清晰的图表中呈现所有变量之间的所有可能关系，网络分析可以指导研究人员和临床医生对精神障碍进行更复杂和动态的思考（Bringmann和Eronen，2018）。事实上，检查·通讯作者：临床心理学系，Universitaetsstrasse 2，45141 Essen，德国。电子邮件地址：dajana. uni-due.de（D. Rath）。https://doi.org/10.1016/j.invent.2019.100292接收日期：2019年5月16日;接收日期：2019年11月8日;接受日期：2019年11月8日2019年9月20日的一份声明2214-7829/©2019Authors.由ElsevierB.V. 这是一个不可操作的CC，它与CCBY-NC-NDLicense（http：//creativecommons.org/licenses/BY-NC-ND/4。0/）。可在ScienceDirect上获得目录列表互联网干预杂志首页：www.elsevier.com/locate/invent版权所有©2018-2019深圳市创科科技有限D. Rath，etal.2图1.一、Hallensleben等人使用的网络和HLM分析之间的差异。（ 2019年）。随着时间的推移，SI的网络结构以及众所周知的风险因素应该导致更全面地了解不同风险因素如何相互关联以及与SI的关系，而以前的分析仅关注感兴趣的结果（参见Hallensleben等人，2019年，见图。① 的人。网络分析最近已经进入自杀研究（De Beurs，2017; De Beurs等人，2018; De Beurs等人，2017年）。由于自杀行为不是抑郁症之类的精神障碍，因此在网络视角下思考自杀行为的基本原理需要更多的解释。从网络角度对自杀行为提出的一个假设是，自杀企图是不同风险因素之间相互作用的结果，如绝望、抑郁、冲动和自杀意念（De Beurs，2017）。自杀企图则被认为是由这些不同的风险因素之间的相互作用引起的。在最近的一项研究中，自杀意念被表示为网络中的一个节点，一个单一的症状，就像所有其他20个风险因素一样，如诱捕和感知负担（De Beurs等人，2019年）。主要的研究问题是所有其他变量如何直接或间接地与自杀意念相互作用，以及这些风险因素如何相互作用。网络分析提供了一个独特的机会来可视化和量化自杀意念和所有其他变量之间的关系。结果表明，与自杀想法直接相关的变量比当前理论提出的要多得多，即使在控制网络中所有其他症状的情况下。此外，网络中的所有危险因素都是相互联系的，没有一个是孤立的。1.2.1. 用EMA数据估计时态网络网络分析主要应用于横截面数据（De Beurs等人，2018年，2019年），但也可以应用于EMA数据。使用时间序列数据，人们可以估计时间网络，通常通过向量自回归技术（VAR）。在VAR中，某个时间点t的变量由前一个时间点t-1的同一变量（自回归效应）和t-1的所有其他变量（交叉滞后效应）预测。这些自回归和交叉滞后效应可以在时间网络中量化和可视化（参见Bringmann等人， 2013年）。通过允许VAR系数通过多层次建模在个体之间进行差异化，可以在组水平上对时间动态进行建模和可视化（更多详细信息请参见方法部分）。在网络的图形表示中，变量被表示为节点。随着时间的推移与另一个变量相关联的变量由具有朝向另一个节点的箭头的边以图形方式表示。这些网络被称为时间网络，因为它们可以指示一个变量在时间上先于另一个变量的潜在因果关系。这种时间顺序是因果关系的必要（但不是充分）条件。这种长期关系也可以用尚未测量的变量来解释。因此，时间网络主要用于假设生成。在我们研究两次评估之间的时间在30和120分钟之间，时间网络可以在这个短时间内洞察变量之间的关系。为了更快地洞察发生在同一评估过程中的关系，可以使用一个多其他网络，即同期网络。1.2.2. 具有EMA数据的Epskamp等人（2018）介绍了一种可以使用EMA数据估计的额外网络，称为同期（或非时间）网络。人们可以使用时间网络的残差之间的关联（偏相关），这些残差是由当前选择的时间间隔、选择的滞后或任何其他未明确测量和建模的变量之间的关联所产生的。然后，这些相关性用于估计偏相关网络结构。在这个同期网络中，每个变量再次被表示为一个节点。然而，两个节点之间的边缘在图形上不是由箭头而是由线表示，表示一个测量内的横截面关联（并且不是时间定向的效应）。边缘现在表示在控制时间效应和相同测量窗口中的所有其他变量之后获得的部分相关性（Epskamp等人，2017，2018; Fisher等人， 2017年）。1.2.3. 具有EMA数据的受时间网络和同期网络都是人内网络。当从多个受试者收集数据时，也可以使用EMA数据估计人与人之间使用固定均值的协方差结构计算受试者间预测因子（对于EMA数据，随时间变化）。例如，每个人都有他/她自己的SI手段和随着时间的推移所感知的bur-densomeness。然后，人们可以获得随着时间的推移，SI的个人手段和跨人的感知负担之间的相关性。正相关意味着SI平均分高的人也倾向于在感知负担方面有高的平均分。总之，网络分析通过控制网络中所有变量的自回归效应（不仅是SI的自回归效应），通过揭示时间和同期关联以及受试者之间的差异，以及通过提供所有评估变量之间关系的可视化表示，扩展了先前使用的多层次分析。在这项研究中，我们假设，首先，我们将复制我们以前的多层次分析的结果（参见。Hallensleben等人， 2019年）：在一个测量值t处的SI将与在同一测量值t处的感知负担感、挫折感、绝望感和抑郁感相关（同时期网络），并由感知负担感、绝望感和自身预测。时间网络（Temporal Network）我们进一步预期，当不仅控制SI的自回归效应，而且控制所有其他变量的自回归效应以及所有交叉滞后效应时，将复制Hallensleben等人（2019）的发现。此外，我们有兴趣进一步研究网络中所有变量之间的交叉滞后关联（超越与SI的关联）。最后，我们假设，平均而言，具有高水平的感知负担感、挫折感、绝望感和抑郁感的参与者也会表现出高水平的SI。2. 材料和方法2.1. 样本和研究程序EMA研究纳入了74例患有原发性单相抑郁障碍（重度抑郁症、恶劣心境）和当前或终生SI的精神病住院患者（见表1;参见Forkmann等人，2018年）。患者平均年龄为37.6岁（SD= 14.3，范围为18至85岁）。71.6%为女性。患者被招募在版权所有©2018-2019深圳市创科科技有限D. Rath，etal.3表1研究样本（n = 74）的临床特征以及男性与女性总样本男性（n= 21）女性（n= 53）n%M（标准差）n%M（标准差）n%M（标准差）诊断（SCID-I访谈）重度抑郁症6993.21885.75196.6当前发作的严重程度：轻度1013.5314.3713.2当前发作的严重程度：中度4459.51047.63464.2当前发作的严重程度：重度1520.2523.81018.9抑郁发作次数（终生）3.9（3.4）4.6（4.9）3.6（2.5）心境恶劣56.8314.323.8共病焦虑障碍b1621.629.51426.4共病强迫症b34.10035.7共病躯体症状障碍b45.4314.311.9共病饮食障碍b34.10035.7症状严重程度（问卷）自杀意念（BSS）9.3（9.0）12.1（11.1）8.2（7.9）抑郁症（DESC）a25.9（6.2）26.7（6.3）25.6（6.2）高于DESC截止值（≥11）741002110053100注. 总样本的 数据 也发表在Forkmann et al. （2018年）。aForkmann等人（2010年）。b目前或终生的任何诊断。2015 年 9 月 至 2017 年 8 月 期 间 ， 莱 比 锡 大 学 医 院 和 HE-LIOS Park-Klinikum Leipzig的使用修订的自杀行为问卷（SBQ-R; Kleiman和Nock，2018; Osman等人 ，2001 ）以 及DSM-IV的结 构化 临床访 谈（SCID-I; Wittchen et al.， 1997年）。样本中包括SBQ-R评分≥8或在SCID-I中至少报告自杀意念的 由于抑郁症患者的情绪、应激反应、积极事件的经历和影响是独特的，因此我们在本研究中没有纳入双相情感障碍、过去一年的物质使用障碍、当前的精神病症状和初步诊断为人格障碍的患者。进一步的排除标准是德语知识不足，<基于语言的智力测试中IQ 85（德语“Mehrfachwahl-Wortschatz-Intelligenztest”，MWT-B;Lehrl ， 2005 ） 。 有 关 研 究 程序 概 述 和 研 究 入 选 流 程 图 ，请 参 见Forkmann et al.（2018）。表1总结了研究样品的临床特征（参见表1）。Forkmann等人， 2018年）。经过广泛的基线评估（Forkmann等人，2018），参与者接受了为期6 天 的 EMA 评 估 ， 每 天 使 用 Android 智 能 手 机 上 的 EMA 软 件（movisensXS©）进行10次信号接触评估，每位参与者最多进行60次评估。EMA信号在上午8：00和下午8：00之间随机发生，提示之间至少有30分钟。如果参与者不能立即回答问题，他们可以将提示推迟5、10或15分钟（例如，由于治疗会议），他们有可能拒绝提示。数据集包括4440个观察结果（1级60个评估，2级74人）。参与者平均完成了89.7%的EMA评估（最小值=75%，最大值=100%），得到4295个有效观察结果。通过列表删除处理缺失数据。所有数据均直接传输，并可使用基于网络的平台进行监控，使研究团队能够定期检查合规率。为更 详细 信息 关于 的 研究 协议， 请参阅Forkmann et al.（2018）.所有参与者在参与前提供了书面知情同意书。该研究获得了莱比锡大学医学院伦理委员会的批准（编号：388- 13-16122013）。2.2. 措施在EMA评估过程中，患者对他们的瞬时SI、感知负担、受挫的快乐、抑郁，绝望，积极的态度，和焦虑。EMA项目是新开发的或从各自的回顾性自我报告清单中选择的，评估了项目-总相关性、项目内容和措辞的相关结构。第二步，对所有项目的措辞进行调整，以最佳方式与实际时刻相关联。整个EMA评估包括28个项目（项目见Forkmann等人，2018年）。我们使用了16个网络分析：SI（2个被动，2个主动），挫折感（2个项目），感知负担（2个项目），抑郁（2个项目），绝望（2个项目），焦虑（2个项目）和积极的态度（2个项目）。我们没有分析的其余EMA项目评估了自上次测量以来的情绪（6项），背景（活动：1项，公司：4项）和药物（1项）。我们决定从分析中删除它们，原因有二：1）我们关注的是人际变量感知负担和感知负担以及众所周知的风险因素（如抑郁和绝望）的影响; 2）我们认为我们的数据没有能力再包含12个项目。2.3. 分析为了估计所有参与者的不同网络结构，我们在R中的mlVAR包内实现的数据上应用多级向量自回归（mlVAR）模型（Epskampet al.，2017年）。个体内的时间动态是通过将时间t时的症状评分回归到t− 1时自身的先前（即滞后）值来估计的（AR：自回归，Chat field，2016;Shumway和Sto Bauer，2000）。向量自回归模型（VAR）表明，时间t的所有变量都在t-1版本上回归，从而产生滞后回归系数（固定效应）的向量。多水平模型允许VAR系数在个体之间存在差异（随机效应）。因此，可以估计时间网络，即可视化症状的时间效应的网络（例如 ， Bos 等 人 ， 2017; Bringmann 等 人 ， 2017; Snippe 等 人 ， 2017;Wigman等人，2015年）。为了在二维图中可视化时间网络，我们使用了Fruchterman-Reingold（FR）算法。该算法旨在将非中心节点（即与其他节点几乎没有连接）放置在网络的外围，而中心，高度连接的节点被放置在中心。 FR是网络分析中最常用的放置算法，尽管存在替代方案（Jones等人， 2018年）。为了获得受试者间效应的估计值，可以将每个受试者的样本均值作为受试者水平的预测因子（因变量的均值除外;Hamaker和Grasman，2015;版权所有©2018-2019深圳市创科科技有限D. Rath，etal.4Ho Rehman和Stawski，2009年; Curran和Bauer，2011年）。最后，使用用于估计时间效应和受试者间效应的多水平模型的残差来估计同期网络。这些残差用于估计多水平模型，该模型估计同一时间点一个变量的残差与所有其他变量的残差之间的关联。关于三个网络中每个网络之间的估计和差异的更详细讨论，我们参考Epskamp et al.（2018）。所有参与者都被纳入分析。变量在估计前标准化，并通过mVAR在人内缩放。由于当天的最后一次评估与第二天的第一次评估不相关，我们在连续几天之间添加了一行缺失值。 使用R中的qgraph包绘制所有网络（Epskamp等人，2012年）。我们进一步未对数据进行趋势降级，因为Dickey-Fuller检验表明所有变量随时间推移均保持平稳（所有p <0.01）。<3. 结果所有60次评估中所有EMA量表的平均值和标准差见表2（参见Forkmann等人， 2018年）。3.1. 时间网络如时间网络所示（见图2），时间点t的SI仅由感知负担（固定影响系数：0.06，p 0.05<）和t-1的SI（固定影响系数：0.26，p 0.05）预测。第<001页）。虽然所有变量都能在连续测量中预测自己，但SI以最强的方式预测自己，如时间网络中最厚的有向连接和最大的系数所示（所有系数见附录中的表A-1）。然而，随着时间的推移，SI预测了感知负担（0.10，p<.001），绝望（0.11，p<.001），抑郁（0.08，p =.001）和积极的态度（-0.08，p<.001）。SI和受阻的活跃度之间的关系缺失; SI不能预测受阻的活跃度（0.03，p>.05），受阻的活跃度也不能预测SI（0.02，p>.05;更多详细信息见附录中的表A-1）。焦虑只能被它本身预测，但在t-1时既不3.2. 同时代网络与学科间网络图3显示了同期网络（左）。SI与绝望的联系最为紧密。此外，SI与所有其他变量相关联。正如预期的那样，阳性反应与抑郁症有很强的负相关性（更多详细信息见附录中的表A-2）。与 方面 到 的 试间 网络 （图 3，右），表2所有60次评估中总样本和男性与女性平均值的EMA量表的描述性统计量。样本总数注. Forkmann等人也发表了总样本的数据。（2018年）。 男性与女性之间的平均值无显著差异（所有p> 0.05）。在绝望感上平均得分高的参与者在SI上的平均得分也高。SI和其他变量之间没有发现其他的被试关系。正如预期的那样，在抑郁方面得分高的被试在焦虑和绝望方面也得分高。他们在积极情感上的得分也很低，在挫折归属感上的得分很高，而在感知负担感上的得分并不高（更多详细信息见附录中的表A-3）。4. 讨论据我们所知，这是自杀研究中第一个对EMA数据进行网络分析的研究，以更好地了解SI与几个心理风险因素之间的关系。74例抑郁障碍和当前/终身SI患者的样本在6天内每天10次报告他们的瞬时SI水平、挫败的幸福感、感知的孤独感和其他风险因素（例如绝望和抑郁）。我们计算并绘制了三个不同的网络：一个时间，一个同期，和一个主题之 间的网络。时间网络揭示了：第一，t时的SI仅由其自身和t-1时的感知负担水平来预测;第二，t-1时的SI预测了t时时间网络中几乎所有的其他变量。这与多水平分析的结果有些不同，在多水平分析中，除了SI和感知的负担之外，t − 1时的绝望也可以预测t时的SI（Hallensleben et al.， 2019年）。模型结果的差异可能由不同的残差估计方法解释。在VAR中，所有变量都拟合在网络中所有其他变量的滞后版本和交叉滞后版本上，而在多水平分析中，只有独立变量被解释为回归方程中所有其他变量的滞后版本和交叉滞后版本的函数。这些发现与Kleiman等人的EMA研究一致。（2017），报告说，SI主要预测自己，而其他变量是不太有用的，以预测SI随着时间的推移。然而，同时期和受试者之间的网络确实证实了SI和绝望之间的强烈关系。在比30至120分钟（滞后-1）短得多的时间范围内，绝望与SI密切相关。此外，具有较高平均SI评分的患者也倾向于具有较高的绝望评分。这与SI的EMA研究一致（Hallensleben等人，2019; Kleiman等人，2017）和更传统的流行病学研究（例如Franklin etal.，2017年）。同期网络还揭示了SI之间的直接关系，感知的负担，和挫败的幸福感。Kleiman和Nock（2018）也发现了这些结果，得出的结论是，众所周知的风险因素，如绝望和感知的负担感，目前对预测SI最有用，但随着时间的推移，对预测SI不太有用我们以及Kleiman和Nock（2018）和Kleiman等人（2017）之前的发现与IPTS的假设不一致，指出随着时间的推移，感知的负担和挫折感是SI的主要预测因素（Joiner，2007; Van Orden等人，2010年）。IPTS变量和SI之间的关系可能遵循另一种时间动态，而不是我们的分析中所捕获的。根据来自同期网络的结果，在相同的测量下，挫败的负担感和感知的负担感都与SI相关，表明更快的展开关系。然而，也有可能的是，受阻的自杀意念比120分钟后，例如一整天，甚至一周后更慢。在现有的理论中，并没有明确提到一个时间框架，在这个时间框架内，挫折感、感知的负担感和自杀意念之间的联系会展开。至少在我们的设计中，短暂的侵入性自杀念头似乎会让人们在30到120分钟后感到绝望，成为他人的负担，这反过来又会让他们在30到120分钟后感到孤立（就更高的挫败感而言）。除了SI本身和感知之外，MSDMSDMSDSI4–207.73.68.03.47.63.7PB2–105.42.15.41.85.42.2TB2–105.11.95.01.95.22.0D2–105.91.85.51.86.01.8H2–105.52.25.52.45.52.2PA2–104.61.44.80.94.51.5一2–105.31.45.21.25.31.4版权所有©2018-2019深圳市创科科技有限D. Rath，etal.5图二.固定效应的时间网络，绿线代表积极关联，红线代表消极关联;线越粗，关联越强; SI：自杀意念，PB：感知的负担感，TB：受挫的幸福感，PA：积极的情感，D：抑郁，H：绝望，A：焦虑。忽略了不重要的边缘。负担可能发生得更快，例如在同一评估中，如绝望的情况，或者在大约15分钟（一次评估之后）和30分钟（下一次评估之前）之间的时间范围内。另一个原因可能是，在目前的研究中没有评估可能预测SI的变量。如果有的话，这些结果表明，心理风险因素和SI之间的（时间）关系比理论上更复杂。事实上，根据他们的EMA结果，Kleiman和Nock（2018）提出了变量如何在SI中发挥作用的不同方式之间的区别。虽然某些变量可能与同一测量中的SI相关，但其他变量似乎可以预测SI或后续测量中SI的变化（参见Kleiman等人，2017年）。关于IPTS变量，只有感知负担有直接的时间影响SI。 这与其他研究一致，这些研究报告与受阻的责任感相比，感知的负担感与SI更直接相关（Hames等人， 2015; Ma等人， 2016年）。正如预期的那样，阳性反应与所有其他变量呈负相关。我们发现，t时的SI导致t − 1时的正向效应较小，这支持了Kleiman et al.（2018）的假设，即SI的存在会导致负向效应的变化。然而，没有人支持负反馈循环，因为我们没有发现随着时间的推移，在受影响的SI中也会出现不太积极的反馈。与研究结果不符的一个原因是图三.时间、同期和受试者间网络：绿线代表积极关联，红线代表消极关联;线越粗，关联越强; SI：自杀意念，PB：感知负担，TB：受挫的幸福感，PA：积极的情感，D：抑郁，H：绝望，A：焦虑。忽略了不重要的边缘。版权所有©2018-2019深圳市创科科技有限D. Rath，etal.6Kleiman等人（2018）的研究可能是我们EMA研究中从一次蜂鸣到下一次蜂鸣的较短时间（1.5 vs. 4 - 8 h）。此外，即使当节点对时间网络中的其他变量没有影响时，它仍然可以通过在同期网络中处于中心而对后续变量产生影响（Epskamp等人，2018年）。焦虑和挫折感是时间网络中唯一与SI无关的变量，至少在我们研究的30到120分钟的时间范围内。关于挫折感的文献确实表明，它通过感知的负担（例如，Rogers和Joiner，2019）。焦虑在SI发展中的作用不太清楚，因为前瞻性研究的结果是混合的-一些证实了焦虑障碍对SI的影响，一些则是伪造的（Abreu et al.，2018; Bolton等人，2010; Oquendo等人，2004年）。未来的EMA研究应该复制我们的发现，以更好地了解自我报告的瞬间焦虑和SI的潜在关联。本研究的一个局限性是样本仅由重度抑郁症患者组成。因此，我们在对任何其他诊断和自杀意念的患者进行推断时应谨慎。另一方面，我们关于IPTS假设的发现与其他作者报告的发现一致，例如Kleiman等人（2017），他们检查了住院患者，承认自杀风险。此外，样本仅由住院患者组成，也略微降低了生态有效性。未来的研究应该复制我们在不同诊断的门诊样本中的发现。此外，可以假设，与门诊患者或未接受治疗的人相比，住院患者在变量方面表现出较小的变异性，例如自杀意念、受阻的自杀倾向、感知的负担感等，因为与在家相比，住院患者的人际交往事件的数量和性质可能会有所不同。然而，我们发现随着时间的推移，人与人之间存在相当大的差异（在第1级，例如，TB的方差为48%，PB的方差为38%），与此假设相反。我们还不知道我们是否选择了适当的EMA设计，每天每30至120分钟和上午8时至下午8时之间进行10次测量。利用这个时间间隔，我们可能会错过深夜、清晨和夜间的重要事件。然而，我们希望通过最小化参与者的负担和负担（每天已经提示十次）并且不干扰参与者的自然睡眠-觉醒节律来保证参与者的依从性。此外，我们试图避免不必要的失误。从统计学上讲，通过不将一天的最后一次评估与连续一天的第一次评估相关联来考虑这一差距。另一个局限性是SI的重要风险因素，如失败和截留，未纳入研究。这种数据目前正在CASPAR研究中收集，随着时间的推移，可能会产生更大的预测能力（Nuij等人， 2018年）。虽然自杀研究需要客观的方法来衡量自杀风险（即，评估不受观点或解释的影响），还应包括自杀相关变量和行为特征的间接测量（Chu等人，2017; Glenn和Nock，2014），我们只使用自我报告。此外，我们的设计和采样策略（即每天发出10次蜂鸣声，蜂鸣声内至少30分钟）可能无法捕获SI的自然过程及其风险因素（Ebner-Priemer和Trull，2012年; Verdinger等人，2016年）。也有可能是我们没有足够的力量来检测更微妙的动态关系。例如，人们会期望随着时间的推移，积极的影响与所有其他变量相关，但这在我们的网络中没有得到证实。未来的研究需要使用几周的扩展观察和比较不同的采样策略，从而更深入地了解SI的个体动态。最后，网络中的联系只能被解释为潜在因果关系的指示，并作为假设生成网络。真正的因果关系只有在某种类型的干预之后才能找到。从长远来看，基于EMA数据的网络也可能用于心理治疗。SI的个体病程和风险因素，如可在治疗过程开始时测量所感知的负担感、受挫的快乐感、绝望感和抑郁感（以及感兴趣的其他变量），然后可以在治疗过程中与患者讨论这种信息，以确定自杀倾向的个体风险因素（例如Kroeze等人，2017年）。有趣的是，我们观察到网络中的个体内差异，揭示了每个人不同的关联和风险因素。关于IPTS，网络表明PB和TB之间的关系并不像理论中假设的那样直接。然而，在我们能够更好地理解感知负担、受阻责任感和SI之间的动态关系之前，我们的发现应该被复制。此外，由于IPTS是一个相对年轻的理论，目前还不清楚是否已经通过可用的工具和项目实现了IPTS结构的令人满意的操作（即INQ; Hallensleben等人，2016年）。总之，网络分析表明，随着时间的推移，已知的危险因素与SI之间的关系比流行病学研究中所描述的或提出的更为复杂。正如Kleiman和Nock（2018）所述，风险因素可能与SI的变化相关、预测SI的变化或与SI的变化相关。EMA数据的网络分析扩展了我们以前使用的多层次分析，通过可视化所有变量之间的关系，并深入了解受试者内和受试者间的影响。致谢这项工作得到了德国研究基金会的研究资助编号SP 1556/1-1，GL818/1-1和FO 784/1-1的资金来源支持者在本研究的设计、分析、解释或出版中没有任何作用竞合利益我们没有利益冲突需要申报。附录A. 补充数据本文的补充数据可在doi.org/10.1016/j.invent.2019.100292上找到。引用阿伯湖，加-地Oquendo，M.，Galfavy，H.，Burke，A.，Grunebaum，M.，谢尔湖，...Lafer，B.，2018年共病焦虑障碍是心境障碍患者自杀未遂的危险因素吗？为期两年的前瞻性研究。 European Psychiatry 47，19-24.Ben-Zeev，D.，杨，硕士，德普，CA，2012.自杀意念的实时预测：住院抑郁症患者的移动评估。精神病学研究所 197（1），55-59。博尔顿，J.M.，Pagura，J.，Enns，M.W.，格兰特，B.，萨琳，J.，2010.重性抑郁症自杀未遂危险因素的人群纵向研究J. 精神病医生Res. 44（13），817-826.Borsboom，D.，2017年。精神障碍的网络理论 World Psychiatry 16（1），5-13.Bos，F.M.，Snippe，E.，de Vos，S.，Hartmann，J.A.，西蒙斯，C.J.，范德克里克湖，......这是什么？Wichers，M.，2017.我们能从横截面跳到网络的动态解释吗？对精神病学网络视角的影响。Psychotherapy andpsychosomatics 86（3），175-177.Bringmann，L.F.，Eronen，MI，2018.不要责怪模型：重新考虑精神病理学的网络方法。心理学。Rev. 125（4），606。Bringmann，L.F.，Vissers，N.，Wichers，M.，格施温德，N.，库彭斯，P.，彼得斯，F.，... Tuerlinckx，F.，2013.精神病理学的网络方法：临床纵向数据的新见解。 PloS one 8（4），e60188.布林曼湖，莱蒙斯湖，Huibers，M.，Borsboom，D.，Tuerlinckx，F.，2015.揭示贝克抑郁量表的动态网络结构。Psychol. Med. 45（4），747-757.Bringmann，L.F.，Hamaker，E.L.，Vigo，D. E.，Aubert，A.，Borsboom，D.，Tuerlinckx，F.，2017年。动态变化：使用广义自回归模型的时变自回归模型版权所有©2018-2019深圳市创科科技有限D. Rath，etal.7加性建模Psychol. Methods 22（3），409.布朗，G.K.，Beck，A.T.，Steer，R.A.，格里沙姆，J.R.，2000.精神科门诊病人自杀的危险因素：一项20年前瞻性研究。J. 会诊。Clin. 心理学。 68（3），371-377。查特菲尔德，C.，2016. 时间序列分析：导论。 CRCPress.Chu，C.，Buchman-Schmitt，J.M.，斯坦利，I.H.，Hom，文学硕士，塔克，R.P.，C.R.哈根，......这是什么？林格联调局2017.自杀的人际关系理论：十年跨国研究的系统回顾和荟萃分析。心理学公报143（12），1313。Curran，P.J.，Bauer，D.J.，2011.纵向变化模型中人内和人间效应的分解。Annu. Rev. 心理学。62 ，583-619。De Beurs，D.，2017.网络分析：理解自杀行为的新方法。Int. J. Environ. Res. 公共卫生14（3），219。De Beurs，D.P.，van Borkulo，C.D.，奥康纳，R.C.，2017.自杀症状和重复自杀行为之间的关联在医院治疗的自杀未遂者样本中Br. J. Psychiatry Open 3（3），120-126.DeBeurs，D.，Vancayseele，N.，van Borkulo，C.，Portzky，G.，van Heeringen，K.，2018年自我伤害事件发生后，动机、感知问题和当前自我伤害想法之间的关联。网络分析。J. A.混乱。240，262-270。DeBeurs，D.，弗里德，E.，韦瑟罗尔，K.，克莱尔，S.， Ferguson，E.，......这是什么？奥康纳，R.C.，2019.探讨自杀意念的心理学：一个理论驱动的网络分析。行为研究和治疗120，103419。Ebner-Priemer，美国，Trull，T.，2012.调查心理变量中的时间不稳定性：将现实世界理解为时间依赖。在：研究日常生活的研究方法手册，页。 423- 439Epskamp，S.，克雷默，助理检察官，Waldorp，L.J.，Schmittmann，V.D.，Borsboom，D.，2012. qgraph：心理测量数据中关系的网络可视化。J. Stat. 软件。48（4），1-18。Epskamp，S.，M.K.，Bringmann，L.F.，2017. mlVAR：多级向量自回归。从.https://CRAN.R-project.org/package=mlVAR网站。Epskamp，S.，van Borkulo，C.D.，范德维恩，哥伦比亚特区，Servaas，M.N.，Isvoranu，A.-M.，Riese，H.，克雷默，助理检察官，2018.精神病理学中的个性化网络建模：同期和时间联系的重要性。Clin. 心理学。Sci. 6（3），416-427。https://doi.org/10.1177/2167702617744325网站。费舍尔，A.J.，Reeves，J.W.，G律师Medaglia，J.D.，Rubel，J.A.，2017.通过网络分析探讨情绪与焦虑的具体动力学。J. 异常。心理学。126（8），1044。Forkmann，T.，Boecker，M.，Wirtz，M.，Glaesmer，H.，Brahler，E.，诺拉角，Gauggel，S.，2010.在大规模德国一般人群样本中验证基于Rasch的抑郁症筛查健康质量生命结局8，105。https://doi.org/10的网站。1186/1477-7525-8-105。Forkmann，T.，斯潘根贝格湖Rath，D.，Hallensleben，N.，美国海格尔Kersting，A.，Glaesmer，H.，2018年自杀倾向的实时评估：使用生态瞬时评估对自杀意念及其近端危险因素评估的自我报告项目的心理测量学评估。J. 异常。心理学。 127（8），758。富兰克林，JC，里贝罗，J.D.，福克斯，K.R.，Bentley，K.H.，Kleiman，E.M.，黄，X.，...Nock，M.K.，2017.自杀想法和行为的风险因素：50年研究的荟萃分析。Psychologicalbulletin 143（2），187.格伦，C.R.，Nock，M.K.，2014