日本心理学会第84回大会における一般研究発表 (ポスター発表) 「うつ病・不安障害の分類可能性と症状ネットワーク構造の検討：Gaussian graphical mixtureモデルに基づく潜在ネットワーク・クラス分析」の資料です。

1. Gaussian graphical mixture モデルに
基づく潜在ネットワーク・クラス分析
うつ病・不安障害の分類可能性と
症状ネットワーク構造の検討
1
日本心理学会第84回大会
一般研究発表 (登録番号: 10046)
樫原 潤 (東洋大学)
竹林 由武 (福島県立医科大学)
国里 愛彦 (専修大学)
伊藤 正哉 (国立精神・神経医療研究センター)

2. 問題と目的
2
1. うつ病と不安障害の併存
2. クラスタ分析による併存事例の理解
3. クラスタ分析の限界
4. 補足: 心理ネットワーク分析とは？
5. 潜在ネットワーク・クラス分析の導入
6. 本研究の目的

3. うつ病と不安障害の併存
◼ うつ病と不安障害は，精神疾患の中でも特に併存が多い
(Lamers et al., 2011)
※ うつ病 : 大うつ病性障害 (MDD) のこと
※ 不安障害: パニック障害 (PD)，社交不安障害 (SAD)，
強迫性障害 (OCD) などの総称
◼ 精神疾患の併存事例は予後が悪い (Albert et al., 2008)
• 併存事例に対して有効な治療ガイドラインの確立が急がれている
(Schaffer et al., 2012)
3

4. クラスタ分析による併存事例の理解
◼ DSM (APA, 2013) など，伝統的な診断分類への批判
• 併存事例が多いため，実際の患者データへの当てはまりが悪い
(Clark et al., 2017)
◼ クラスタ分析により，実データに則した患者分類を進める
アプローチが活発に
• 例えばKircanski et al. (2017) は，潜在プロフィル分析で，
「うつ症状と不安症状の混在するクラスタ」等の存在を示した
• 実データに則した患者分類は，「伝統的な診断分類に当てはまら
ない併存事例」を理解する第一歩となる
4

5. クラスタ分析の限界
◼ 「精神疾患の分類」止まりのアプローチで，「各クラスタ
にどう介入すべきか」という治療仮説が得られない
• 示されるのは，「このクラスタは〇〇と××の症状が強く，△△の
症状が弱い」というプロフィルまで
◼ 治療仮説を導くのに適した心理ネットワーク分析との接続
が望まれる
• 心理ネットワーク分析ならば，症状間の相互作用を可視化でき，
「他の症状への影響力が強い中核症状」を特定できる
(Epskamp et al., 2018)
5

6. 補足: 心理ネットワーク分析とは？
特定の現象や概念 (例: 精神疾患) を
「構成要素同士 (例: 個別症状) が
相互作用しあうネットワーク」と捉え，
その視覚化と要約を行う
・ネットワーク図は，ノード (構成要素) と
それを結ぶエッジで構成される
・横断データの解析では，偏相関ネットワー
ク (左図) を求めることが多い
・偏相関ネットワークでは，「各ノードが
他のノードに与える影響力」を要約した
「中心性指標」を求める 6

7. 潜在ネットワーク・クラス分析の導入
◼ 数理統計学分野でGaussian graphical mixture モデル
(GGMM) が開発された (Fop et al., 2019)
• クラスタ分析で使うGaussian mixtureモデルと，心理ネットワー
ク分析で使うGaussian graphicalモデルを結合させたもの
◼ GGMMを用いることで，潜在ネットワーク・クラス分析
の実施が可能に
• 「変数間の相互作用をネットワークとして視覚化」すると同時に，
「ネットワークの情報に基づいてクラスタを推定」でき，クラス
タ分析と心理ネットワーク分析の良いとこ取りができる
7

8. 本研究の目的
◼ Gaussian graphical mixtureモデルに基づく潜在ネッ
トワーク・クラス分析を活用し，患者データを解析する
• GGMMに基づく分析を患者データに活用した例は知る限り初であ
り，精神病理学研究の新たなアプローチを示せると期待できる
◼ うつ病・不安障害患者の実データの解析結果をもとに，
潜在ネットワーク・クラス分析の臨床的有用性を議論する
• 特に，クラスタごとに中核症状を特定すれば，効率的な臨床実践
の実現につながることを議論する
8

9. 方法
9
1. データセット・分析対象者
2. 変数: うつ病・不安障害の諸症状
3. 分析方針

10. データセット・分析対象者
◼ Ito et al. (2015) が収集した患者データを二次解析
• 調査会社マクロミルの「患者パネル」2,830名を対象に，オンラ
イン調査を2014年1月実施
• 調査冒頭で，「各種精神疾患の診断の有無」を改めて確認
◼ 分析対象者：下記1,521名 (うち女性775名，平均42歳)
・うつ病 (MDD): 406名 ・パニック障害 (PD): 193名
・社交不安障害 (SAD): 116名 ・強迫性障害 (OCD): 66名
・上記精神疾患の併存: 735名
10

11. 変数: うつ病・不安障害の諸症状
◼ それぞれ，下記のように因子得点化して分析実施
• うつ病の諸症状 (PHQ尺度; Muramatsu et al., 2007)
－ 認知・感情面 (6項目，以下MDD1) － 身体面 (3項目，以下MDD2)
• パニックの諸症状 (ASI-3尺度; Ito et al., 2015)
－ 物理面 (6項目，以下PD1) － 認知面 (6項目，以下PD2)
－ 社会面 (6項目，以下PD3)
• 社交不安症状 (FNE尺度12項目，以下SAD; Sasagawa et al., 2004)
• 強迫の諸症状 (OCI尺度短縮版; Sugiura et al., 2007)
－ ため込み (3項目，以下OCD1) － 確認 (3項目，以下OCD2)
－ 配置 (3項目，以下OCD3) － 中和 (3項目，以下OCD4)
－ 洗浄 (3項目，以下OCD5) － 強迫 (3項目，以下OCD6) 11

12. 分析方針
◼ 潜在ネットワーク・クラス分析 (LNCA) をまず実施
• 患者をいくつかのクラスタに分類すると同時に，各クラスタ内で
の症状ネットワーク構造を視覚化する
• Rのmixggmパッケージ (Fop et al., 2019) で実施
◼ LNCAで見出された各患者クラスタについて，偏相関ネッ
トワーク分析を追加で実施
• 各クラスタ内のネットワークについて，「症状間の関連の正負」
や「各症状がもつ影響力」まで踏み込んで検討できる
• Rのqgraph (Epskamp et al., 2012) およびbootnetパッケージ
(Epskamp et al., 2018) で実施 12

13. 結果
13
1. LNCAで見出されたクラスタ
2. LNCAで見出された症状ネットワーク
3. 偏相関ネットワーク: クラス1
4. 偏相関ネットワーク: クラス2
5. 偏相関ネットワーク: クラス3
6. 偏相関ネットワーク: クラス4

14. LNCAで見出されたクラスタ
14
潜在ネットワーク・クラス分析 (LNCA) の
結果，伝統的な診断基準に当てはまらない，
診断横断的なクラスタが4つ特定された
・クラス1 (分析対象者中30.9%):
強迫とパニックが強く，うつと社交不安が中程度
・クラス2 (分析対象者中21.5%):
うつ・パニック・社交不安が中程度，強迫が弱い
・クラス3 (分析対象者中19.8%):
すべての症状が弱い
・クラス4 (分析対象者中27.7%):
すべての症状が強い
※MDD1, 2: うつ病の諸症状 PD1–3: パニックの諸症状
SAD: 社交不安症状 OCD1–6: 強迫の諸症状
(LNCA)

15. LNCAで見出された症状ネットワーク
15
潜在ネットワーク・クラス分析 (LNCA)に
より，クラスタの特定と同時に，各クラス
タ内の症状ネットワーク図も出力された
・クラスタ間でネットワークの形状 (＝症状間の
関係性) が大きく異なる
・どのクラスタでも，強迫の諸症状 (OCD1–6)
同士が密に結びついている
・クラス4以外では，社交不安症状 (SAD) が中
央付近にあり，異なる疾患を橋渡ししている
・クラス3以外では，うつ病の諸症状 (MDD1, 2)
がネットワーク内の離れた場所に位置している
※エッジの正負はわからない
→次スライド以降の偏相関ネットワークへ※MDD1, 2: うつ病の諸症状 PD1–3: パニックの諸症状
SAD: 社交不安症状 OCD1–6: 強迫の諸症状
Class 1 Class 2
Class 3 Class 4

16. 偏相関ネットワーク: クラス1
16
※MDD1, 2 (橙色): うつ病の諸症状
PD1–3 (緑色): パニックの諸症状
SAD (黄色): 社交不安症状
OCD1–6 (水色): 強迫の諸症状
すべてのノード (＝症状) が青色 (＝正) のエッジ (＝偏
相関) でつながれ，有意なエッジの数も少ない単純な
ネットワーク構造だとわかった
Strengthの値が最も大きくなったのは，強迫の中和症状
(OCD4) であった
※中和: 強迫観念を中和するための思考のこと (例:「何かをする
ときに，数えながらしなければならないと感じる」)
※Strength: 最も安定的
な中心性指標とされ，
「他のノードに及ぼす
影響力」を表す
(Bringmann et al., 2019)

17. 偏相関ネットワーク: クラス2
17
※MDD1, 2 (橙色): うつ病の諸症状
PD1–3 (緑色): パニックの諸症状
SAD (黄色): 社交不安症状
OCD1–6 (水色): 強迫の諸症状
赤色 (＝負) のエッジ (＝偏相関) を含み，有意なエッジ
の数も多い，複雑なネットワーク構造だとわかった
※強迫の諸症状 (OCD1–6) の間でも，正負のエッジが混在
クラス1と同様，Strengthの値が最も大きくなったのは，
強迫の中和症状 (OCD4) であった

18. 偏相関ネットワーク: クラス3
18
※MDD1, 2 (橙色): うつ病の諸症状
PD1–3 (緑色): パニックの諸症状
SAD (黄色): 社交不安症状
OCD1–6 (水色): 強迫の諸症状
クラス1と同様，すべてのノード (＝症状) が青色 (＝正)
のエッジ (＝偏相関) でつながれ，有意なエッジの数も少
ない単純なネットワーク構造であった
他のクラスと同様，Strengthの値が最も大きくなったの
は，強迫の中和症状 (OCD4) であった

19. 偏相関ネットワーク: クラス4
19
※MDD1, 2 (橙色): うつ病の諸症状
PD1–3 (緑色): パニックの諸症状
SAD (黄色): 社交不安症状
OCD1–6 (水色): 強迫の諸症状
クラス2と同様，赤色 (＝負) のエッジ (＝偏相関) を含
み，有意なエッジの数も多い，複雑なネットワーク構造
だとわかった
※強迫の諸症状 (OCD1–6) の間でも，正負のエッジが混在
他のクラスと同様，Strengthの値が最も大きくなったの
は，強迫の中和症状 (OCD4) であった

20. 考察
20
1. 結果の総括
2. 併存事例に関する治療仮説
3. 特徴的な役割をもつ症状に関する考察
4. LNCAの臨床的意義
5. 本研究の限界・今後の展望

21. 結果の総括
◼ 潜在ネットワーク・クラス分析 (LNCA) で得られた結果
• うつ病・不安障害の患者は，症状ネットワークの様相が異なる4種
類のクラスタに分類できる (p. 14, 15)
• クラス1–3の場合，社交不安症状が異なる疾患を橋渡ししている
(p. 15)
◼ 追加の偏相関ネットワーク分析で得られた結果
• クラス2, 4の症状ネットワークの複雑性が高い (p. 16–19)
• 全クラスタ共通で，強迫の中和症状は，他の症状に及ぼす影響力
が最も強い (p. 16–19)
21

22. 併存事例に関する治療仮説
◼ 併存事例を4クラスタに分け，従来の診断分類を横断する
症状連鎖パターンを念頭に治療を進めることが望ましい
• 各クラスタは，縦割り的な診断分類と一致しない特徴をもつ
• 特に，すべての症状が強く，症状ネットワークの複雑性が高い
クラス4の患者には，慎重な対応が求められる
◼ 症状ネットワークに介入するには，各クラスタの中核症状
である，強迫の中和症状を標的とすることが効率的である
• 「強迫観念が浮かんでも良い」という受容的態度を促す，などの
介入に有効性が期待できる
22

23. 特徴的な役割をもつ症状に関する考察
◼ 社交不安症状は，異なる疾患を橋渡しする (p. 15)
• Brown et al. (1998) でも，社交不安はポジティブ・ネガティブ
双方の感情と関連し，うつ病や他の不安障害を中継していた
→「感情」を含めたネットワーク構造を検討すれば，疾患の併存
メカニズムをより詳細に明らかにできそう
◼ 強迫の中和症状は，影響力が最も強い (p. 16–19)
• 強迫観念や感情反応を「中和しよう，抑え込もう」と頑張るせい
で，症状の連鎖がかえって強化されているのかもしれない
→ 感情調整プロセスに関する指標 (例えば，反芻，表出抑制) が
「中和」と同様の役割を果たすのか，検討する価値がある 23

24. LNCAの臨床的意義
◼ 「クラスタ分析」と「心理ネットワーク分析」という2つ
のアプローチを結びつけるゲートウェイとなる
• 「実データに基づく患者の分類」と「症状ネットワークの図示」
という，臨床的意義の大きい検討を同時に達成できる
◼ クラスタごとに有効な治療仮説を導出しやすくなる
• クラスタ分類の段階で症状ネットワーク構造を考慮するので，
偏相関ネットワークなど発展的検討につなげやすい
• 発展的検討によって，クラスタごとに中核症状を特定することも
可能になる
24

25. 本研究の限界・今後の展望
◼ 本研究の限界
• 「症状ネットワークを考慮したクラスタ分類」から「治療仮説の
導出」までを，1つの分析だけで達成するには至っていない
• 横断的データの分析なので，厳密な因果推論に基づいて治療仮説
を導出するのが難しい
◼ 今後の展望
• 「偏相関ネットワークを考慮したクラスタ分類」を可能にする
分析の開発が望まれる
• 本研究で見出した治療仮説の妥当性を，介入研究や縦断的ネット
ワーク分析 (Haslbeck et al., 2020) で検討することが望まれる 25