症状网络在护理症状群研究中的应用

1. 这个方法解决什么问题

症状网络分析将心理或躯体症状视为相互连接的节点，通过估计症状之间的偏相关关系来揭示症状群的内部结构。它可以回答”哪些症状是核心节点”、“症状之间如何相互影响”等问题。

2. 适合哪些护理研究场景

• 癌症患者症状群的网络结构分析
• 慢性病共病症状的相互影响关系
• 心理困扰与躯体症状的桥接机制
• 干预靶点的识别（核心症状 → 干预效果最大化）

3. 数据需要长什么样

需要横截面或纵向的症状评分数据。每行一个患者，每列一个症状（连续或有序变量）。样本量建议 > 200。

4. 模型逻辑用人话怎么理解

把每个症状看作一个节点，症状之间的偏相关关系是边。如果两个症状在网络中直接相连，说明在控制所有其他症状后它们仍有独特关联。核心节点（中心性高）意味着该症状在网络中影响力大，可能是干预的优先靶点。

5. R 代码模板

library(qgraph)
library(bootnet)

# 估计网络
net <- estimateNetwork(data, default = "EBICglasso")

# 绘图
plot(net, layout = "spring", labels = colnames(data))

# 中心性
centralityPlot(net)

# 边稳定性
boot1 <- bootnet(net, nBoots = 1000)
plot(boot1, "edge", plot = "difference")

6. 结果怎么解释

关注三个指标：边权（偏相关系数的大小和方向）、中心性（强度、中介性、接近性）和网络稳定性（bootstrap 后的边权差异检验）。

7. 论文中怎么写

中文： 采用高斯图网络模型分析 8 个症状的网络结构。网络显示”疲乏”具有最高的强度中心性（z = 1.82），是网络中最核心的症状。“疲乏”与”睡眠障碍”之间的边权最强（r = 0.34）。

English: A Gaussian graphical network model was used to analyze the network structure of 8 symptoms. Fatigue showed the highest strength centrality (z = 1.82), representing the most central symptom. The strongest edge was between fatigue and sleep disturbance (r = .34).

8. 常见错误

• 忽略网络稳定性检验，直接解读不稳健的边权
• 样本量不足导致网络估计不稳定
• 混淆”中心性高”与”临床重要性”