用潜在剖面分出几组病人，能不能每组各建一个症状网络

可以。按潜在剖面分出亚组后在各组分别建网，每一组内部的网络都可以描述；能不能拿各组网络之间的差异下结论，取决于用来分组的变量。分组变量是病耻感、情绪调节方式这类网络以外的变量时，各组网络的差异可以解释为不同人群症状关联方式的差异。分组用的如果正是网络里的症状，例如按 11 个症状的严重程度分出低、中、高负担组，再用同样 11 个症状在各组建网，各组网络仍然可以作为这一组患者的描述，组间差异却有一部分来自分组本身，不能当作各亚组症状相互作用方式不同的证据。依据见第二节。

这种做法在护理研究中增长很快。PubMed 中题目或摘要同时含症状和网络分析的论文，涉及潜在剖面或潜在类别的从 2022 年的 5 篇增加到 2025 年的 40 篇。笔者从整理的 510 篇护理领域网络分析论文中按关键词筛出 43 篇逐篇阅读，31 篇先分出亚组、再在每个亚组分别建网，其中 19 篇的分组指标与网络节点全部或部分重叠。万方中相关的中文文献约 18 条，一半左右是硕士学位论文。

两种做法各举一例。Song 等以社会影响量表的各维度为指标，把 558 名维持性血液透析患者分为低、中、高病耻感三组，分别为 215、277、66 人，再在各组估计症状网络；高病耻感组的网络稳定性不达标，作者没有把它纳入组间统计比较，只呈现网络图，并说明该图不应作实质解释。Xia 等以 11 个营养影响症状为指标，把 379 名化疗期胃癌患者分为低、中、高症状负担三组，分别为 146、142、91 人，再用这 11 个症状构建三组各自的网络。前者的分组变量在网络之外，后者的分组变量就是网络的节点。

一、护理研究中的三种做法

第一种，按网络以外的变量分组，再在各组建症状网络。分组变量多为心理社会特征。除 Song 等按病耻感分组外，Lin 等以情绪调节问卷的认知重评和表达抑制两个分量表为指标，把 1436 名临床护士分为 5 个剖面，再在各剖面估计焦虑抑郁症状网络；韩舒等把 487 例冠状动脉旁路移植术患者按运动恐惧分为低恐惧-运动回避组和高恐惧-运动恐惧组，再分别构建术后症状网络。

第二种，按网络中的症状分组，再用同样的症状在各组建网。这种做法在肿瘤护理中最常见，分出的亚组通常按症状负担高低命名。除开头提到的 Xia 等外，王妹香等以儿童记忆症状评估量表的症状严重程度为指标，把 366 例化疗期青少年急性白血病患者分为低、中、高负担三组，分别为 154、149、63 例，在各组分别构建症状网络，低负担组的核心症状为焦虑和悲伤，中、高负担组为恶心。

第三种，分组和建网分开进行。潜在剖面的结果只用于描述亚组特征或做回归分析，网络只在全样本中估计一次。Liu 等对 324 例妇科恶性肿瘤术后患者分出低症状组和高症状组，分别为 220、104 例，考虑到两组样本量都不足以稳定估计网络，最终把两组合并建网。

前述 31 篇中，第一种 12 篇，第二种 19 篇。第二种里分组指标与网络节点完全相同的有 8 篇，其余 11 篇多用症状维度、症状群或因子得分分组，用单个题项建网，分组指标与网络节点部分重叠，按同一类处理。另有 7 篇属于第三种。其余 5 篇只给部分亚组建网，或建网时所分的组与潜在类别无关。

二、按症状分组后，各组网络之间的差异说明什么

Haslbeck 等 2022 年在 Psychological Methods 专门讨论了按症状总分分组、再在各组估计网络的情形。他们的结论是，有没有偏倚取决于研究问题。如果研究者关心的就是按总分划出的这几组人各自的网络，例如诊断组和非诊断组各自的症状关联，估计是无偏的。如果想用组间差异判断人群中是否存在症状结构不同的亚群，这一做法不成立。他们用单一的二元正态分布生成数据，数据中本来不存在亚群，按总分切成高、低两组后，两组的相关系数仍然不同，差异的大小随切点变化，几乎在任何切点下两组都会不同。要判断是否存在亚群，他们建议直接用混合模型检验。

de Ron 等 2021 年的模拟研究从另一个角度说明了同一问题。他们以 2807 名重度抑郁患者的汉密尔顿抑郁量表条目为节点，模拟临床研究中按总分筛选样本的情形，结果显示筛选的切点越高，筛选后估计出的网络与全体患者的网络差得越远，偏差主要表现为条目之间出现了全体患者网络中没有的负相关边。

潜在剖面分析不是按总分切点分组，但以症状严重程度为指标时，分出的类别往往就是症状负担由低到高的几个层级。Deng 等在 938 名维持性血液透析患者中以 21 个症状的严重程度为指标分出低负担和高负担两组，作者描述这两个剖面反映的是整体症状负担的梯度。这种情况下，按剖面分组与按总分分组相近，上述结论同样适用。Boot 等 2025 年还指出，常用的潜在类别分析软件假定类别内部各指标相互独立，相当于每个类别内部是一个没有边的网络，因此传统潜在类别分析本身不能用来识别网络结构不同的亚群，需要把潜在类别和网络模型结合起来，这类方法仍在发展中。这一点针对的是用潜在类别去发现网络结构不同的亚群；按 Haslbeck 等对研究问题的区分，把分出的组当作研究对象、描述这组患者自己的网络，仍然成立。

据此，按症状分组的研究可以描述各组内部的网络，把高负担组的核心症状作为这一组患者症状管理的参考。"高负担组和低负担组核心症状不同""各亚组症状网络结构存在差异"这类组间结论，不能作为不同亚组症状相互作用方式不同的证据。笔者在前述 43 篇论文全文中检索 Berkson 偏倚、对撞因子、全距限制等表述，均未检索到。

三、按其他变量分组时，人数和组间比较

潜在剖面分出的类别人数往往相差很大。前述 31 篇中有 29 篇给出了最小一类的人数，中位数 118 人，其中 10 篇不到 100 人，最少的只有 32 人。Song 等的低、中、高病耻感组 CS 系数分别为 0.516、0.671 和 0.045，高病耻感组 66 人，作者把网络不稳定归因于样本量不足，只比较了低、中两组。Guan 等把 471 名晚孕期孕妇按睡眠质量分为 4 个剖面，其中低睡眠效率组只有 27 人，作者没有为这一组估计网络，网络比较只在其余三组之间进行。Lin 等的 5 个剖面各自报告了预期影响的 CS 系数，范围为 0.28 至 0.67。

组间比较多用网络比较检验（NCT）。Lin 等对 5 个剖面两两比较，低调节组与低于平均调节组（M = 0.538，P < 0.001）、灵活调节组（M = 0.469，P = 0.030）和高于平均调节组（M = 0.409，P = 0.022）的网络结构差异有统计学意义，与高调节组的差异无统计学意义（P = 0.538）。Chen 等把 1045 名中老年慢性疼痛患者按疼痛韧性分为 4 类，只有韧性最低和最高的两类之间整体强度（P = 0.020）和边权重（M = 0.33，P = 0.040）差异有统计学意义。韩舒等两组的网络结构（M = 0.29）和整体连接强度（S = 3.27）差异均无统计学意义。剖面在三个及以上时，两两比较的次数随之增加，Guan 等对三组间的整体比较做了 Holm 校正。

前述 31 篇中，在亚组之间用 NCT 做了统计检验的有 9 篇，另有 2 篇用了其他检验（整体强度检验、网络密度的卡方检验），其余 20 篇只并排呈现各组网络图，描述各组的核心症状或模拟干预结果，没有做组间检验。按网络以外变量分组的 12 篇中有 8 篇做了 NCT；按症状分组的 19 篇中做 NCT 的只有 1 篇，另有 2 篇用了其他检验。

病耻感、心理韧性这类分组变量本身是连续得分。如果研究问题是症状之间的关联是否随病耻感高低而变化，也可以不分组，直接把病耻感得分作为调节变量。Haslbeck 等 2021 年提出的调节网络模型允许每条边随调节变量的取值变化，模拟研究中，它检测调节效应的表现优于先拆分样本、再做 NCT 或融合图形套索的做法，可用 R 包 mgm 估计。潜在剖面回答的是哪几种特征组合的人群各自的网络如何，调节网络模型回答的是关联强度随一个连续变量如何变化，两者对应不同的研究问题。

四、写进论文时交代的内容

方法部分写明潜在剖面所用的指标，以及这些指标与网络节点是否重叠；写明确定类别数所依据的指标和各类人数。结果部分对每一组分别报告网络稳定性，人数过少、稳定性不达标的组，按 Song 等和 Guan 等的处理，不作实质解释或不估计网络。组间比较写明方法、比较的指标和多重比较校正。分组指标与网络节点相同时，结论限定在各组内部的描述，局限性部分说明按症状水平分组会改变组内症状之间的关联，引用 de Ron 等 2021 年和 Haslbeck 等 2022 年的研究。

参考文献

1. de Ron J, Fried EI, Epskamp S. Psychological networks in clinical populations: investigating the consequences of Berkson's bias. Psychological Medicine, 2021, 51(1): 168–176. doi:10.1017/S0033291719003209

2. Haslbeck JMB, Ryan O, Dablander F. The sum of all fears: comparing networks based on symptom sum-scores. Psychological Methods, 2022, 27(6): 1061–1068. doi:10.1037/met0000418

3. Boot J, de Ron J, Haslbeck J, Epskamp S. Correcting for selection bias after conditioning on a sum score in the Ising model. Behavior Research Methods, 2025, 57(12): 341. doi:10.3758/s13428-025-02820-1

4. Haslbeck JMB, Borsboom D, Waldorp LJ. Moderated network models. Multivariate Behavioral Research, 2021, 56(2): 256–287. doi:10.1080/00273171.2019.1677207

5. Song N, Zhang N, Gao W, Zhang Z, Lei J, Han H, Li B, Liu J, Li L, Jiang N. Symptom network structure across stigma subgroups in maintenance hemodialysis: a latent profile and network analysis. BMC Nephrology, 2026, 27: 152. doi:10.1186/s12882-026-04798-0

6. Xia Y, Shen Q, Liu S, Wu M, Wang Y, Xu Y, Liu S, Cao H, Liu Y, Zhang F. Nutrition impact symptoms during chemotherapy in patients with gastric cancer: application of latent profile and symptom network analysis. Seminars in Oncology Nursing, 2026, 42(5): 152302. doi:10.1016/j.soncn.2026.152302

7. Lin PZ, Wang X, Lin YS, Lin YY, Chen LL, Wu BY. Anxiety-depression symptom networks across emotion regulation profiles in Chinese nurses: a latent profile and network analysis. BMC Nursing, 2026, 25: 843. doi:10.1186/s12912-026-04903-6

8. 韩舒, 尚全伟, 张嫣然, 杨梅华, 程华伟. 冠状动脉旁路移植术病人运动恐惧潜在类别及症状网络分析. 护理研究, 2026, 40(11). doi:10.12102/j.issn.1009-6493.2026.11.004

9. 王妹香, 胡小燕, 周丽川, 陈蓉薏, 孟江南, 林艳. 青少年急性白血病化疗患者症状的潜在亚组和网络分析. 军事护理, 2023, 40(12): 68–72. doi:10.3969/j.issn.2097-1826.2023.12.017

10. Liu J, Li X, Wang Z, Zhang Y, Chang H, Yan H, Yan S, Liu M. A longitudinal study of early postoperative symptom cluster trajectories in patients with gynecologic malignancies. BMC Women's Health, 2026, 26: 37. doi:10.1186/s12905-025-04221-0

11. Deng J, Hu J, Liu W, Wang X, Li Q, Li C, Zou Z, Yang L, Zeng J. Network-guided symptom targets in maintenance hemodialysis using in silico interventions: a multicenter cross-sectional study. BMC Nephrology, 2026, 27: 468. doi:10.1186/s12882-026-05078-7

12. Guan Y, Shen Z, Du Q, Tan Q, Tong X. Sleep quality and depressive symptoms among pregnant women in the third trimester: a cross-sectional latent profile and network analysis. International Journal of Women's Health, 2026, 18: 1–15. doi:10.2147/IJWH.S638106

13. Chen S, Tan X, Tang Y, Wang L, Zhang L, You B. Pain–depression networks based on different pain resilience levels among Chinese middle-aged and elderly individuals with chronic pain. European Journal of Pain, 2026, 30(5): e70294. doi:10.1002/ejp.70294