Signaleren van veranderingen in experience sampling data in real-time: ontwikkeling en evaluatie van statistische procescontrole methoden voor het detecteren van vroege waarschuwingssignalen van depressie

Het detecteren van vroege waarschuwingssignalen van dreigende depressie zou de weg vrijmaken voor tijdige interventie. Aangezien depressie gekenmerkt wordt door gewijzigde affectieve ervaringen, hebben recente studies onderzocht of experience sampling (ESM) data van affectieve ervaringen in het dagelijks leven dergelijke vroege waarschuwingssignalen kunnen opleveren. In ESM studies worden deelnemers geïnstrueerd om gedurende meerdere dagen op verschillende meetmomenten tijdens de dag verslag uit te brengen over hun affect. Tot nu toe is de detectie van vroege waarschuwingssignalen in ESM data voornamelijk benaderd vanuit een retrospectief perspectief, nadat alle data zijn verzameld. Deze studies wijzen op veranderingen in het gemiddelde en de variantie van de ESM data als potentieel informatieve waarschuwingssignalen.

Echter, voor effectieve preventie is het cruciaal om dergelijke veranderingen in real-time te detecteren tijdens de dataverzameling, in plaats van achteraf. Statistische procescontrole (SPC) procedures, oorspronkelijk ontwikkeld voor het monitoren van kwaliteitskenmerken van productieprocessen, lijken veelbelovende hulpmiddelen. SPC procedures zouden het mogelijk maken om bij elk meetmoment te evalueren of gerapporteerde affectieve ervaringen binnen het normale bereik van de persoon vallen of dat er een verandering heeft plaatsgevonden. Zo'n verandering zou een dreigende depressie kunnen signaleren en dus een oproep tot interventie kunnen betekenen. Echter, affectieve ESM data schenden ook de belangrijkste aannames van de SPC procedures. De observaties zijn niet tijdsonafhankelijk, zijn vaak scheef verdeeld en worden gekenmerkt door missende waarden. Daarnaast zijn onvoldoende data over het normale bereik van een persoon beschikbaar.

In dit proefschrift onderzoeken we daarom het potentieel van SPC voor de tijdige detectie van dreigende depressie. In het eerste deel (Hoofdstukken 2 en 3) van dit proefschrift richten we ons op de detectie van gemiddelde veranderingen in ESM data. In Hoofdstuk 2 evalueren we hoe goed zes populaire univariate en multivariate SPC procedures slagen in het signaleren van gemiddelde veranderingen in gesimuleerde data met typische ESM kenmerken (d.w.z. scheve verdeling, autocorrelatie, missende waarden). Resultaten toonden aan dat de exponentieel gewogen voortschrijdend gemiddelde (EWMA) procedure bijzonder goed presteert. Daarnaast is het voordelig om dagelijkse gemiddelden te monitoren in plaats van de scores op de individuele meetmomenten. De resterende hoofdstukken bouwen voort op deze resultaten. In Hoofdstuk 3 wordt het potentieel van de EWMA procedure gedemonstreerd door middel van drie verschillende toepassingen in de psychologie. Het tweede deel (Hoofdstukken 4 en 5) van dit proefschrift richt zich op de detectie van veranderingen in variantie (bovenop gemiddelde veranderingen). In Hoofdstuk 4 bestuderen we of het monitoren van dagstatistieken van variabiliteit beter is dan de bestaande SPC benaderingen voor het detecteren van variantieveranderingen in gesimuleerde data. In Hoofdstuk 5 onderzoeken we of het monitoren van de variabiliteit van mentale toestanden, bovenop het gemiddelde, de signalering van een dreigende depressieve terugval kan verbeteren. Hiervoor maken we gebruik van de TRANS-ID data. In het derde deel (Hoofdstuk 6) van dit proefschrift vergelijken we persoonsspecifieke en multilevel modellering benaderingen om EWMA controlelimieten af te leiden in een situatie waarin beperkte baseline data beschikbaar zijn (d.w.z. data waarbij het affect van een persoon binnen het normale bereik ligt).