面板网络分析在护理纵向症状网络中的应用

1. 一句话告诉你这是什么

面板网络分析将横截面症状网络扩展到纵向数据，分析网络结构在不同时间点如何变化。它回答”核心症状在疾病进展中是否保持不变”——比如化疗开始时疲乏是核心症状，6 个月后是否还是核心。

2. 什么时候用，什么时候别用

适合用

• 至少两个时间点有相同的症状量表数据
• 想比较不同时间点的网络结构是否不同
• 想了解某个时间点的事件是否改变了网络结构

不适合用

• 只有一个时间点的数据（应做横截面网络分析）
• 每个时间点的样本量太小（每个时间点 $\ge 200$）
• 症状条目在不同时间点不一致

3. 数据准备清单

• 至少两个时间点，每个时间点有完全相同的症状条目
• 每个时间点的样本 $\ge 200$
• 症状条目为连续或有序（Likert 尺度）
• 缺失数据已处理
• 各时间点的样本构成可比（同一队列随访或匹配样本）

4. 方法直觉

面板网络分析有两种常见策略：

策略 1 — 比较独立网络： 每个时间点单独估计一个网络，然后用网络比较检验（NCT）检验边权、中心性和整体结构是否随时间显著变化。

策略 2 — 交叉滞后网络： 用时间点 $t$ 的节点预测时间点 $t+1$ 的节点，构建”跨期网络”，显示症状之间的跨时间预测关系。

$\text{矩阵比较：} N_{t+1} = W \times N_t + \varepsilon$

$W$ 是交叉滞后权重矩阵，$w_{ij}$ 表示症状 $j$ 在时间 $t$ 的值对症状 $i$ 在时间 $t+1$ 的值的预测强度。

5. R 代码（复制即可跑）

library(bootnet)
library(NetworkComparisonTest)

# 模拟两个时间点 × 8 个症状
set.seed(2026)
n <- 300
k <- 8

# T1 网络：稀疏结构
data_t1 <- as.data.frame(matrix(rnorm(n * k), n, k))
names(data_t1) <- paste0("sym", 1:k)

# T2 网络：某些边强度变化
data_t2 <- data_t1
data_t2[, 2] <- data_t2[, 2] + 0.5 * data_t2[, 1]         # sym1-sym2 边增强
data_t2 <- as.data.frame(scale(data_t2))

# 分别估计网络
net_t1 <- estimateNetwork(data_t1, default = "EBICglasso")
net_t2 <- estimateNetwork(data_t2, default = "EBICglasso")

# 网络比较检验
nct <- NCT(net_t1, net_t2, it = 100)                       # ⬅ 正式分析 it = 1000
summary(nct)

# 可视化
layout(t(1:2))
plot(net_t1, layout = "spring", title = "T1 症状网络")
plot(net_t2, layout = "spring", title = "T2 症状网络")

6. 结果怎么读

7. 论文里怎么写

中文： 采用面板网络分析比较化疗前（T1）与化疗后（T2）症状网络的结构变化。每个时间点分别用 EBIC-glasso 估计高斯图网络。网络比较检验显示，整体网络强度在化疗后略有上升但未达统计学显著（$p = 0.32$），而疲乏与睡眠障碍之间的边权显著增强（$p = 0.04$），提示这两个症状的关联在化疗后更加紧密。

English: Panel network analysis was used to compare symptom network structures before (T1) and after (T2) chemotherapy. Gaussian graphical models were estimated at each time point using EBIC-glasso. The network comparison test revealed that the overall network strength increased slightly after chemotherapy but did not reach statistical significance ($p = 0.32$). However, the edge between fatigue and sleep disturbance was significantly strengthened ($p = 0.04$), suggesting a tighter coupling of these symptoms post-chemotherapy.

8. 三个最常见的坑

1. 网络比较要求样本独立。 NCT 的置换检验假设两个网络的样本相互独立——如果是同一队列的前后测数据，NCT 的结果可能偏保守（低估差异）。此时应优先考虑交叉滞后网络分析。
2. 多重比较问题。 比较 K 个节点的网络就有 $K \times (K-1) / 2$ 条边需要检验。建议用 FDR 校正 p 值，而非常规的 Bonferroni。
3. 测量等值性是前提。 如果症状条目在不同时间点的测量性质变了（如化疗后患者对 QoL 条目的理解不同），网络差异可能只是测量偏差。