Latar belakang
Kemajuan dalam komunikasi dan pengukuran digital
telah menghasilkan data medis baru yang dapat
digunakan untuk analisis. Hal ini pada gilirannya
menyediakan kesempatan untuk menganalisis biosignal
yang sampai saat ini sukar untuk diukur. Penelitian ini
menggunakan kumpulan data baru mengenai
rangkaian waktu depresi yang dicatat dari pasien rawat
jalan yang menderita gangguan bipolar. Penelitian pada
masa lampau telah menyatakan terdapat baik
kekacauan pada ketetapan yang telah dibuat dan
nonlinearitas stokastik untuk suasana perasaan pada
gangguan bipolar (Gottschalk dkk. 1995; Bonsal dkk,
2012). Kami bertujuan untuk mendapatkan pernyataan
yang berikutnya secara langsung dan mencari bukti
dari nonlinearitas dalam delapan rangkaian waktu yang
telah dipilih.
Penelitian Sebelumnya
Hingga saat ini, sebagian besar analisis suasana perasaan
dalam gangguan bipolar merupakan analisis kualitatif. Data
kuantitatif secara rinci sulit untuk dikumpulkan: individu yang
sedang dipelajari biasanya merupakan pasien rawat jalan,
fungsi mereka secara umum dapat bervariasi dan heterogen
dalam kelompoknya. Tantangan yang terdapat dalam
pengumpulan data mengenai suasana perasaan dari pasien
dengan gangguan bipolar mempengaruhi jenis penelitian yang
telah dipublikasikan. Beberapa peneliti talah mengajukan
model-model teoretis yang tidak menggunakan data observasi
secara langsung. Daughtery, dkk (2009) mengajukan model
oscillator nonlinear dan menggunakan pendekatan sistem
dinamika untuk mendeskripsikan perubahan suasana
perasaan pada gangguan bipolar. Steinacher dan Wright
(2013) juga menggunakan pendekatan sistem dinamika dan
menggunakannya untuk memeragakan regulasi dari aktivasi
perilaku. Melalui cara yang hampir sama, Buckjohn dkk
menguji dinamika dari dua oscillator nonlinear
Diskusi
Penelitian ini memiliki motivasi yang cukup beralasan. Terdapat bukti bahwa
gejala gangguan bipolar berfluktuasi seiring waktu dan adalah umum bagi para
pasien untuk mengalami masalah mood diantara beberapa episode (Judd
2002). Dalam pendekatan serial waktu dengan dinamika yang tidak diketahui,
penggunaan suatu model autoagresi adalah titik awal yang wajar. Meskipun
demikian, terdapat beberapa tanda bahwa model ini tidak cukup sesuai dalam
kasus ini. Distribusi nilai RMSE untuk pasien stabil dilaporkan memiliki nilai
median 5.7 (ketika dinormalisasi dengan nilai skala maksimum nilainya 0.21)
dan distribusi untuk pasien tidak stabil, memiliki nilai median 4.1 (setelah
dinormalisasi menjadi 0.15) (Bonsall dkk 2012, data lampiran). Selanjutnya,
kami melihat bahwa hal ini lebih mungkin terjadi karena kesalahan di dalam
sampel daripada kesalahan prediksi yang diharapkan, yang diperkirakan oleh
ramalan di luar sampel. Dengan demikian, nilai tersebut menjadi lebih tinggi
dibanding standar deviasi yang telah dilaporkan (3.4 untuk grup stabil dan 6.5
untuk grup tidak-stabil (Bonsall dkk 2012), yang menyatakan bahwa rerata
yang tidak dikondisikan dapat menjadi menjadi model yang lebih baik untuk
kelompok yang stabil.
Penulis
Wehr dan Goodwin
(1979)
Subjek
Skala
Irama Mood
Bunney
Hamburg
Tidak ada
Analog
Linear, Nonlinear
Judd (2002)
BP1 (n=146)
Skala PSR
BP2 (n=86)
Skala PSR
BP1 (n=45)
Analog
Entropy
BP (n=23)
QIDS -SR
Linear, Nonlinear
BP (n=100)
QIDS SR
Linear, Nonlinear
BP (n=100)
QIDS SR
Linear, Nonlinear
BP (n = 5)
Metode
Pada penelitian yang dilakukan, kami mencari bukti
nonlinearitas dengan menggunakan data pengganti
linear, kemudian membandingkan kesalahan prediksi
yang diharapkan dari metode forecasting linear dan
nonlinear pada delapan pasien terpilih. Data serial
waktu dikumpulkan sebagai bagian dari program
OXTEXT (http://oxtetxt.psych.ox.ac.uk/) yang meneliti
manfaat potensial dari kegiatan mengawasi mood diri
sendiri (self monitoring) untuk orang-orang dengan
gangguan bipolar. OXTEXT menggunakan sistem
pengawasan diri sendiri, yaitu True Colour (
https://truecolours.nhs.uk/www/),
Data
Data yang digunakan dalam studi ini diperoleh dari
delapan pasien dengan gangguan bipolar yang
moodnya diawasi selama 5 tahun. Data mengenai
suasana perasaan sampel dikembalikan rata-rata setiap
minggu dan terdiri atas jawaban terhadap kuisioner
berupa penilaian sendiri yang telah terstandar untuk
depresi dan manik. Kami membatasi penelitian ini pada
data depresi yang lebih dapat dipertanggungjawabkan
untuk dianalisis dari pada manik: untuk beberapa
pasien, skor manik yang didapat adalah tepat atau
mendekati nilai nol dalam periode monitoring.
Statistik Deskriptif
Kualitas statistik 8 pasien dalam penelitian
diperlihatkan dalam tabel 2, yang meliputi
perbandingan dengan kelompok yang lebih besar yaitu
93 pasien, dimana subsetnya berasal. Pasien-pasien
dipilih menggunakan kriteria berikut: (1) Lamanya
serial waktu minimum adalah pencapaian nilai 100
(hanya peserta yang mencapai nilai 100 pertama
digunakan dalam analisis), (2) Nilai yang hilang kurang
dari 5 dalam urutan waktu dan (3) ketetapan, diukur
dengan membandingkan distribusi nilai antara bagian
pertama dan kedua serial waktu. Subtipe diagnosis
(bipolar I, bipolar II, bipolar NOS) tersedia hanya untuk
beberapa peserta. Depresi untuk masing-masing
pasien awalnya dirangkum dari nilai rataannya, dan
rentang median/ interkuartil untuk rataan ditampilkan
untuk masing-masing kelompok pasien.
Hasil
Awalnya kami menguji fungsi autokorelasi sampel untuk
delapan serial waktu dan membandingkannya dengan
surrogate yang memiliki distribusi yang sama. Gambar 2
memperlihatkan hasilnya, dengan sampel acf
memperlihatkan lag dari 1 ke 6. Tujuh dari delapan serial
waktu berbeda secara nyata dari kelompok penggantinya,
memperlihatkan bahwa mereka memiliki beberapa korelasi
urutan. Serial waktu pada di bagian kiri atas gambar 2 tidak
dapat dibedakan dari hasil permutasinya dan oleh sebab itu
tidak cocok untuk tujuan forecasting ini. Kami menyimpan
urutan waktu ini dalam kumpulan eksperimental, dan
menyediakan suatu perbandingan untuk rangkaian waktu
lainnya.
Jenis
Kelamin P/L
BP I/II
Usia (Tahun)
Durasi
(poin)
Depresi
(QIDS)
A (93)
60/33
41 / 22
45 20
136 161
6.4 5.3
B (8)
6/2
4/2
48 28
181 67
5.1 2.5
Uji Nonlinearitas
Gambar 3 memperlihatkan autokorelasi surrogate
CAAFT dibandingkan dengan delapan serial waktu asli
yang digunakan dalam penelitian ini. Software MATLAB
(Kugiumtzis, 2000) digunakan untuk menghasilkan
surrogate CAAFT. Dapat terlihat bahwa program ini
menyerupai autokorelasi data asli dengan baik dalam
hampir semua kasus meskipun dalam gambar bagian
kanan bawah terjadi bias ke arah bawah.
Kami kemudian membandingkan rasio kesalahan
forecast yang terjadi akibat sampel linear vs nonlinear
untuk data asli dan data surrogate. Jika terdapat
ketidaklinearan, kami akan mengekspektasi metode
nonlinear untuk menunjukkan perbaikan dari metode
linear. Metode linear yang digunakan bersifat tetap dan
metode nonlinear adalah metode yang terdekat pada
tingkat nol yang dideskripsikan pada berkas lampiran
1: bagian II dan diimplementasikan dalam fungsi
Gambar 5. Statistik
Keterulangan waktu yang
asimetris. Statistik untuk rangkaian
waktu asli terlihat sebagai garis
vertikal dan data surrogate terlihat
sebagai histogram. Tidak terdapat
bukti bahwa rangkaian waktu asli
tidak sama di antara surrogate nya
kecuali pada bagian bawah kanan.
Diskusi
Hasil ini menunjukkan bahwa 8 serial waktu depresi yang
digunakan pada penelitian ini tidak dapat dibedakan dari
surrogate linear mereka dengan menggunakan metode
forecasting linear dan nonlinear. Hasil ini berbeda dengan
pernyataan Bonsall, dkk (2012) yang menyatakan bahwa serial
waktu mingguan dari pasien dengan gangguan bipolar
digambarkan secara lebih baik dengan proses nonlinear daripada
proses linear. Apakah perbedaan antara penelitian penelitian ini
merupakan hasil dari seleksi: bahwa penelitian Bonsall dkk
cenderung untuk memilih series nonlinear sedangkan penelitian
ini memilih series linear? Artikel yang sebelumnya (Moore dkk
2012) melaporkan prediksi tingkat kesalahan untuk 100 pasien
dari rencana monitoring yang sama dengan yang digunakan oleh
Bonsal dkk dan pada penelitian ini. Untuk 100 pasien, rentang
interkuartil prediksi tingkat kesalahan (SES) adalah antara 2 dan
4 dalam unit skala rating QIDS. Dapat terlihat bahwa sebagian
besar hasil dalam tabel 3 berada dalam rentang ini. Lebih jauh
lagi, nilai forcast RMSE untuk rerata pada 100 pasien adalah 2.7
(0.1, telah dinormalisasi) dan nilai kesalahan median di tabel 3
adalah 2.65 (0.1).
Tabel 3. Tingkat Kesalahan forecast Out of
sample untuk tiap 8 urutan waktu yang
digunakan pada penelitian
Rangkaian
PST
SES
AR1
AR2
MAT2
LCP
LLP
3.51
2.68
2.63
2.66
2.70
2.62
2.81
2.28
2..08
1.88
1.87
1.83
1.85
1.91
4.12
4.11
3.52
3.55
3.68
3.74
3.62
5.08
6.56
5.15
5.24
4.88
5.51
5.09
2.77
2.23
2.18
2.21
2.17
2.12
2.26
2.61
2.61
2.49
2.41
2.45
2.89
2.43
3.27
2.71
2.72
2.63
2.65
2,71
2.70
1.59
1.59
1.53
1.59
1.60
1,70
1.53
Rerata
3.16
3.07
2.76
2.77
2.75
2.89
2.79
Median
3.02
2.65
2.56
2.52
2.55
2.67
2.57
Waktu
Keterbatasan
Sampel yang berjumlah 8 pasien adalah kecil jika
dibandingkan dengan kelompok pertama yaitu 93 pasien.
Alasan kecilnya jumlah sampel ini adalah para pasien harus
mengembalikan sedikitnya 100 nilai dengan nilai yang
hilang sebesar kurang dari 5, dan urutan waktunya harus
statis: batasan ini tidak dapat dengan begitu saja diabaikan
tanpa mencurigakan hasil analisis. Bagaimanapun, jumlah
sampel yang kecil membatasi sejauh mana simpulan umum
mengenai dinamika suasana perasaan pada gangguan
bipolar. Keterbatasan lain adalah penggunaan data
mingguan: jika mood berubah-ubah dalam periode hari,
informasi mengenai dinamika mood akan terlewatkan.
Karena telemonitoring suasana perasaan adalah teknik
yang relatif baru, yaitu teknik yang bergantung pada
tindakan oleh pasien, juga terdapat permasalahan yang
berkaitan dengan hilangnya atau terlewatnya suatu data.
Sebagai contoh, Moore dkk menemukan bahwa
keseragaman respon berkorelasi secara negatif dengan
Simpulan
Kami menemukan bahwa rangkaian waktu depresi tidak
dapat dibedakan dari data surrogate mereka yang berasal
dari proses linear saat membandingkan tes respektif
statistik. Hasil ini dapat berarti, apakah 1) urutan asli
memiliki dinamika yang linear, 2) tes statistik untuk
membedakan perilaku linear dari nonlinear tidak memiliki
kekuatan untuk mendeteksi jenis nonlinearitas yang ada,
atau 3) proses bersifat nonlinear namun proses pemilihan
sampel tidak adakuat atau rangkain waktu terlalu singkat
untuk menggambarkan dinamika yang sebenarnya. Masih
diragunakan hipotesis mana yang lebih disukai, namun akan
lebih bermanfaat jika analisis diulangi pada data yang
diambil lebih lama dan lebih sering.