用潜在剖面分出几类病人，每一类还能不能做模拟干预

潜在剖面分出的各类，可以分别做模拟干预。我整理的 43 篇同时做了潜在分类和网络分析的论文中，有 6 篇这样做过，均发表于 2025—2026 年。其中 Liu 等在 246 名痴呆患者照护者中，用焦虑和抑郁量表的每个条目做潜在剖面，分为低焦虑低抑郁、高焦虑高抑郁两类，两类分别建网、分别模拟，前一类的缓解靶点和加重靶点是易激惹和感到紧张，后一类是无法控制的担忧和失去愉悦感。但并非每一类都能做。按症状轻重分出的类，常有症状在类内几乎没有变化；模拟干预还要把症状切成有、无两种状态，变化只会更少。Bao 等在 4735 名老年人中分出三类，人数最多的一类有 4 个变量零方差，即这一类里所有人得分相同，网络无法估计，这一类被排除，只对另外两类分别建网和模拟。

做出来的各类模拟结果，只能用来描述这一类。分类用的条目与建网的条目相同或部分相同时，分类本身会改变类内症状之间的关联；这时两类得出的靶点不同，不能直接解释为亚型之间的差异。6 篇中，Liu 等的分类条目与网络节点完全相同，Zheng 等、Deng 等、Bao 等部分相同，另有 2 篇按网络以外的变量分类，一篇是多病共存的模式，一篇是心理灵活性。

下面依次介绍这 6 篇怎样分类、怎样建网和模拟；哪些类做不出来，收集数据后怎样提前判断；各类的模拟结果写到哪一步；以及方法部分怎样安排全样本模拟和各类模拟。

一、6 篇论文怎样分类、建网和模拟

6 篇的分类方式有两种。Liu、Zheng、Deng、Bao 4 篇用网络中的症状本身分类：Liu 等分类用的就是建网的 16 个条目；Zheng 等用 4 个症状群的维度总分分类，网络节点是 26 个症状；Deng 等用 21 个症状的严重度做潜在剖面，建网时把同样的 21 个症状切成有、无；Bao 等用心理衰弱量表 4 个维度的得分分类，建网用 15 个条目。另 2 篇按网络以外的变量分类：Wang 等在多病共存的老年人中，按各种慢性病的有无做潜在类别分析（适用于有、无这类分类指标的潜在分类方法），分为 4 类，再在每一类中建抑郁和焦虑条目的网络；Chen 等在 325 名宫颈癌患者中按心理灵活性分为 3 类，网络节点是自我感受负担的 21 个条目。

模拟的做法基本一致。6 篇均使用 NodeIdentifyR 算法（NIRA），在 Ising 网络上逐个改动症状的阈值。Ising 网络是只处理有、无两种状态的网络模型，阈值代表一个症状自身出现的倾向，下调阈值即模拟减轻这个症状，上调即模拟加重，再比较网络中平均有几个症状处于有的状态。Liu、Zheng、Deng、Bao、Wang 5 篇写明阈值上下调 2 个标准差，Zheng、Deng、Bao、Wang 4 篇写明每种情形生成 5000 个模拟个体。

有、无的来源各不相同。Zheng 等使用的症状量表本身先问每个症状有无，网络直接采用这一部分；Deng 等把严重度 0 分记为无、1 分及以上记为有。

6 篇中，Zheng、Deng、Bao 3 篇先在全样本上做一次模拟，再在各类中分别做；Liu、Wang、Chen 3 篇仅在各类中做。

二、哪些类做不出来，怎样提前判断

潜在剖面把症状得分模式相近的人归为一类，类内每个症状的差异随之缩小，按轻重分出的类尤其明显：负担重的一类里，不少症状几乎人人都有；负担轻的一类里，不少症状几乎人人都无。Ising 网络的估计方式，是把每个症状依次作为因变量，对其余症状做逻辑回归，回归的截距即阈值，系数即边。一个症状在类内接近全有或全无时，这个回归缺少可供解释的变化，阈值和边都估不稳，严重时无法估计。

Bao 等是无法估计的例子。三类中占 57.8% 的相对健康组，有 4 个定向障碍条目所有人得分相同，协方差矩阵无法估计，这一类既没有建网，也没有做模拟。作者在模拟结果部分写明了排除原因：

Profile 1 was excluded due to insufficient variability in several indicators, which may compromise the stability of network estimation and simulation results.

另一种情况是估得出来但不稳。Zheng 等的重度症状组 267 人，占全样本的 14.31%，中心性稳定性系数（CS 系数，即删去多大比例的样本后中心性排序仍与原样本高度一致）低于 0.5，作者称为临界稳定，仍报告了这一类的模拟结果。

出现率还影响加重模拟。出现率超过 90% 的症状在加重模拟中排序靠后，原因是模型中已无上升空间；负担重的一类里，这样的症状更多，加重模拟的排序要结合各症状在这一类中的出现率来读。

提前判断的办法，是在分类之后、建网之前，逐类列出每个症状切成有、无后为有的比例。Zheng 等和 Deng 等均在全样本层面规定出现率低于 5% 的症状不进入分析，Deng 等方法部分的写法是：

To improve model stability and accuracy, we predefined that symptoms with a prevalence < 5% would be excluded from symptom cluster and network analyses.

分类之后，同样的检查要在每一类中各做一次，接近全有的一端同样要看。一类中有多个症状落在两端，这一类的网络和模拟就难以完成。处理办法在开题和方法部分预先写明：剔除这些症状后再建这一类的网络，此时各类网络的节点不同，只能各自描述；或者这一类不做模拟，在结果中说明原因。每一类至少需要多少人，下一篇单独讨论。

三、各类的模拟结果写到哪一步

每一类的模拟结果，写成这一类内部的排序。Zheng 等分别报告了三套结果：全样本中缓解效果居前的是易醒、疲乏和瘙痒，重度症状组是瘙痒、焦虑和皮肤干燥，轻度症状组是易醒、瘙痒和便秘。

各类之间能否比较，取决于分类用的是什么。按网络中的症状分类的 4 篇，分类本身会改变类内症状之间的关联，两类排出的靶点不同，其中一部分来自分类本身，无法与患者之间的真实差异区分开，不能解释为两类患者的症状机制不同，结果部分并列写出各类的排序即可。按网络以外的变量分类的 2 篇，分类不涉及网络中的症状，不受这一问题影响，各类网络之间可以做网络比较检验（NCT）。Chen 等对 3 类两两做了 NCT，第 1 类与第 3 类的整体强度和边权差异有统计学意义，其余两对差异无统计学意义。

不过，6 篇对各类模拟排序的不同均为并排描述，没有做统计检验。无论按什么分类，排序不同只能写成各类的候选症状不同。模拟得到的是人群的平均变化，不能据此为每位患者选择靶点；分类之后，各类的结果仍是这一类人的平均变化，个体化靶点一类的说法同样不适用。

四、方法部分怎样安排

全样本模拟作为主分析，各类模拟作为补充。理由有两条：全样本没有经过分类，不受第三节所说的问题影响；某一类因变化太少做不出来时，主结果不受牵连。Bao 等就是在排除一类之后，照常报告了全样本和另外两类的结果。Deng 等方法部分的写法是：

The same procedure was applied to the network for the full sample and to networks for subgroups with different levels of symptom burden to compare priority targets across subgroups.

全样本和各类的结果可以不同。Deng 等全样本模拟中缓解效果居前的是焦虑、担忧和紧张，低负担组以睡眠相关症状居前，高负担组以性功能相关症状居前。两套结果同时报告，读者才能看出各类的排序与全样本差在哪里。

中心性和模拟放在同一个网络上对照。中心性若在另一个网络上计算，两个第一名不同时分不清原因。Deng 等的主网络本身就是 Ising 网络，在全样本和两类中分别计算了强度中心性与模拟效果的 Spearman 相关：全样本中强度与缓解效果的相关系数为 0.682，与加重效果为 0.343，后者无统计学意义；低负担组分别为 0.385 和 0.460；高负担组分别为 0.718 和 −0.304。两种排序的一致程度在各类中并不相同，对照要逐类做，不能用全样本的结果代替。

稳定性同样逐类报告。Bao 等建网的两类 CS 系数分别为 0.516 和 0.749，Deng 等两类均约为 0.75，Zheng 等的重度症状组低于 0.5。

结语

潜在剖面分出的各类可以分别做模拟干预，6 篇论文已经这样做过。能否做成，取决于类内症状有没有足够的变化：分类之后逐类查看各症状为有的比例，接近全有或全无的症状多的类，网络估计不出或不稳，Bao 等因此排除了一类。各类的模拟结果只描述本类；按症状分类时，不把各类排序的差异解释为亚型的差异，按网络以外的变量分类时，网络差异可以用 NCT 检验，模拟排序的差异仍只是描述。方法上以全样本模拟为主、各类模拟为补充，中心性和模拟在同一个 Ising 网络上逐类对照，稳定性逐类报告。

参考文献

1. Liu X, Jia Y, Kuang W, et al. Symptoms of anxiety and depression in informal caregivers of persons with dementia: a latent profile analysis and computer-simulated network analysis. BMC Geriatrics, 2026, 26: 654. doi:10.1186/s12877-026-07404-y

2. Bao Y, Jiang Z, Wang F, et al. Latent profiles and network dynamics of psychological frailty in older adults: a computational simulation study. BMC Geriatrics, 2026, 26: 1080. doi:10.1186/s12877-026-08070-w

3. Zheng X, Wang A. Vulnerability and core intervention targets in the symptom burden for personalized symptom management in hemodialysis care: a computational simulation modeling study. International Journal of Nursing Studies, 2025, 172: 105210. doi:10.1016/j.ijnurstu.2025.105210

4. Deng J, Hu J, Liu W, et al. 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

5. Wang X, Zhou W, Liu Q, et al. Symptom-specific intervention targets for depression and anxiety among older adults by physical multimorbidity patterns: a simulation-based network analysis. Social Psychiatry and Psychiatric Epidemiology, 2026, 61: 1091-1102. doi:10.1007/s00127-025-02967-4

6. Chen F, Xiong Y, Li S, et al. Association between psychological flexibility and self-perceived burden in patients with cervical cancer: a computer-simulated network analysis. European Journal of Oncology Nursing, 2025, 74: 102822. doi:10.1016/j.ejon.2025.102822