Trastorno bipolar: acceso abierto
Acceso abierto

abstracto

Análisis de redes clínicas en un paciente bipolar utilizando una herramienta de salud móvil de muestreo de experiencia: un estudio n = 1

ALA Voigt, DJ Kreiter, CJ Jacobs, EGM Revenich, N Serafras, M Wiersma, J van Os, MLFJ Bak y M Drukker

Objetivo: Los análisis de datos longitudinales pertenecientes a una sola persona pueden proporcionar información sobre el estado emocional dinámica del trastorno bipolar a nivel de síntomas. Los objetivos fueron examinar (1) la covariación de estados mentales seleccionados a priori en la vida diaria en un paciente con trastorno bipolar; y (2) conexiones entre estos estados mentales durante un período hipomaníaco y uno depresivo en el trastorno bipolar.
Métodos: Una sola persona diagnosticada con trastorno bipolar utilizó el Método de muestreo de experiencias (ESM) para recopilar datos sobre experiencias y estado de ánimo diez veces al día, durante tres meses. Se realizaron análisis de regresión lineal, estratificados por período hipomaníaco o depresivo. El conjunto de variables dependientes seleccionado a priori incluía "ansiedad", "abajo", "alegre", "satisfecho", "cansado" y "alegre". y ‘solitario’. Las variables independientes fueron los mismos síntomas que se recolectaron un momento aleatorio antes durante el mismo día (t-1, rezagado). Los coeficientes de regresión se presentaron en gráficos de red.
Resultados: El estado de ánimo fluctuó mucho con el tiempo. La variable ‘abajo’ fue central en las redes tanto del período hipomaníaco como del depresivo. ‘Satisfecho’ sólo era central en la red hipomaníaca.
Conclusión: En este paciente, la depresión fue la emoción central durante los períodos hipomaníaco y depresivo. La distinción entre depresión e hipomanía a veces puede residir en la ausencia y presencia respectivamente de ciertos estados de ánimo positivos. Además, el presente artículo mostró que los cambios de humor extremos en el trastorno bipolar se pueden estudiar después de generar redes de humor para obtener información precisa sobre las relaciones dinámicas y el grado de cohesión entre los síntomas. Estos conocimientos pueden ser útiles en el entorno clínico para respaldar comentarios e intervenciones autocontroladas y personalizadas.