NVvP

ACHTERGROND

Om progressie te maken in genetisch onderzoek is een goede beschrijving van het fenotype van groot belang, met als gevolg homogene patiëntengroepen. Fenotypische verschillen kunnen immers een reflectie zijn van verschillen op endofenotypisch of genetisch niveau. Het standaardinstrument voor onderzoek naar probleemgedrag bij kinderen is de Child Behavior Checklist (CBCL). Tot op heden is er weinig onderzoek gedaan naar heterogeniteit van een patiëntenpopulatie op internaliserende problematiek. Daarnaast zijn er verschillende methodes om heterogeniteit te onderzoeken, met verschillende implicaties (bijvoorbeeld vaststellen of de pathologie dimensionaal of categoraal moet worden omschreven).

DOEL

In deze bijdrage vergelijken we Latent Class Analysis (LCA) met Factor Mixture Modeling (FMM) op de drie internaliserende CBCL-syndroomschalen (Anxious/Depressed, Withdrawn/Depressed en Somatic complaints). We vergelijken beide methoden en bespreken klinische en statistische voor- en nadelen.

METHODE

We maken gebruik van een grote poliklinische patiëntenpopulatie (N=3271) waarvan 80% (N=2629) een klinische diagnose heeft. In LCA wordt verondersteld dat variatie in de populatie kan worden teruggebracht tot categorieën, die verschillende typen in de populatie beschrijven (een hogere categorie die een hogere symptoomernst representeert). Bij FMM wordt eerst een factoranalyse gedaan om te onderzoeken welke items op continue factoren clusteren. Daarna worden er klassen geschat binnen die factoren. De model fit van de modellen geeft aan of een model met een continue (dimensionale) latente factor beter fit in vergelijking met een model met categorieën (categorisch).

RESULTATEN

De resultaten tonen aan dat er binnen de syndroomschalen twee latente factoren zijn die de items het beste onderverdelen. Model fit laat zien dat een FMM beter fit en statistisch zuiniger is dan een LCA-model. De Latent Class Analysis laat zien dat een subgroep patiënten meer neurotische kenmerken laat zien. In het FMM wordt dit kwalitatieve verschil opgevangen door een continue factor die de data beter beschrijft. De uitkomsten van de analyses wijzen erop dat internaliserende problematiek in een klinische populatie zich het beste laat beschrijven als een continuüm waarbij syndroomernst voorspellend is.

CONCLUSIE

Om de kans op biologisch plausibele uitkomsten te vergroten is het belangrijk patiënten zo goed mogelijk te onderscheiden op basis van hun fenotype. De combinatie van klassieke methodes met nieuwe hybride methodes maakt het mogelijk om patiënten in te delen in homogene groepen op basis van syndroomernst.