弗雷明汉心脏研究社交网络中饮酒是一种社会传染现象

网络上的 AMHa 模型

我们将个人的饮酒行为建模为一个三态过程，其中个人可以分为“戒酒”(A)、“中度”(M) 或“重度”(H)饮酒者26。 除了状态之间的定期转变之外，我们还考虑了双重感染，即“戒酒”个体立即转变为“重度”饮酒者，反之亦然。 每个转变都可以作为自发变化或社会影响的结果而发生，因此每个转变有四种速率：(alpha ) 代表自发转变率，而 (beta ^A)、(beta ^M ) 和 (beta ^H) 分别代表戒酒者、适度饮酒者和重度饮酒者引起的社会转型率。

当应用于非结构化总体时，该模型会产生以下方程组：

$$begin{对齐} A + M + H&= N\ frac{partial {A}}{partial {t}}&= – (A rightarrow M) – (A rightarrow H ) + ( M rightarrow A) + (H rightarrow A)\ frac{partial {M}}{partial {t}}&= – (M rightarrow A) – (M rightarrow H ) + (A 右箭头 M) + (H rightarrow M)\ frac{partial {H}}{partial {t}}&= – (H rightarrow A) – (H rightarrow M )+ (A rightarrow H ) + (M rightarrow H) end{对齐}$$

然后，每个转变的发生都取决于“自动”或“自发”率 (alpha )，以及所有人口的规模及其相应的“社会”转变率 （测试版）：

$$begin{对齐} A rightarrow M&= A(alpha _{AM} + beta _{AM}^{M} M + beta _{AM}^HH) \ M rightarrow H&= M (alpha _{MH} + beta _{MH}^{A} A + beta _{MH}^HH) \ H rightarrow A&= H(alpha _{HA} + beta _{HA }^{M} M + beta _{HA}^AA) end{对齐}$$

其他转变遵循类似的模式。

请注意，社会传染的流行病学方法没有考虑处于相同饮酒状态的个体的强化效应； 它仅解释了因与不同饮酒行为相关而导致的可能性增加。 虽然这可以看作是模型的限制，但包含这些强化效应不仅会增加模型的复杂性，还会加剧数据集带来的限制。 这是因为社会强化效应不成比例地受到我们数据中社会联系稀疏性的影响，尤其是在“朋友”类别中。 高度集群化加剧了这种情况。

使用类似的方法24,25我们可以将上面的马尔可夫描述重新表述为时间连续的反应扩散过程28,46。 在这种解释中，属于某种状态的每个个体的转变根据一组由化学计量方程描述的相互作用规则发生。 在连续时间中，每个转变都是一组反应速率的结果，或者，在一个小的时间间隔 (Delta t) 内，是一组转变概率的结果。 如果 (Delta t) 远小于平均传输时间，则此方法有效。 这些概率取决于每个人的本地网络结构。 例如，在 (Delta t) 时间段内弃权的个体的转移概率为：

$$begin{对齐} P(A rightarrow M; Delta t)&= (alpha _{AM} + beta _{AM}^{M} N_M + beta _{AM}^{H} N_H) Delta t \ P(A rightarrow H; Delta t)&= (alpha _{AH} + beta _{AH}^{M} N_M + beta _{AH}^{H} N_H) Delta t \ P(A rightarrow A; Delta t)&= 1 – P(A rightarrow M, Delta t) – P(A rightarrow H, Delta t)\ P(A rightarrow A, Delta t)&= 1 – (alpha _{AM} + beta _{AM}^M N_M + beta _{AM}^H N_H) Delta t – (alpha _{AH } + beta _{AH}^M N_M + beta _{AH}^H N_H) Delta t end{对齐}$$

可以导出其他状态转换的概率的类似数学表达式。 请注意，该模型不包含出生和死亡率动态，因为这些结构化模型中个体层面网络连接的重要性大大超过了人口流动对传播动态的影响。

源数据

为了验证和校准我们的假设和模型，我们使用弗雷明汉心脏研究的数据47,48对马萨诸塞州弗雷明汉镇受试者的纵向研究。 我们使用了 1971 年至 2001 年期间原始队列和后代队列的数据。原始队列大约每两年检查一次。 后代队列大约每 4 年检查一次。 对身体和心理健康状况以及睡眠模式、吸烟和饮酒等行为数据进行了评估，以自我报告的每周总饮酒量的形式进行。 此外，还建立了一个社交网络13基于受试者对社会关系的直接报告以及家庭和地址记录等其他数据。 这个社交网络包括家庭成员、配偶、朋友、同事、邻居等。 在这项研究中，我们排除了同事和邻居，因为他们已被证明不会影响其关系中的饮酒量15。 此外，尽管连接类型已确定，但我们通过假设所有连接都是双向的并且连接实际存在来简化社交网络。

我们确认所有方法均按照“数据使用认证协议”中概述的相关指南和规定进行，该协议可在第 5 节列出的 NCBI dbGaP 网页上找到。已获得所有人员的知情同意受试者或其法定监护人，并且我们被授予访问所有同意群体的权限。 所有实验方案均得到阿姆斯特丹大学心理学系伦理委员会的批准。

数据处理

为了使 AMHa 模型适合弗雷明汉心脏研究数据，需要执行许多数据处理步骤。 首先，我们通过结合以下问题的数据，提取了原始群体和后代群体在每一波中自我报告的饮酒数量：“过去一年你每周喝了多少啤酒/葡萄酒/鸡尾酒” 。 然后，我们将原始队列数据与后代队列的最接近日期进行匹配，从而导致检查之间的定期间隔约为 (Delta t = 3 pm 1 text {year})。 然后，我们将社交网络限制为已知饮酒数据且年龄在 21 岁以上的个人，消除了通过以下方式显示的联系人之间的边缘：15 不是实际的社会联系人或实际影响该数据集中的饮酒行为，例如同事和地理上接近的“邻居”。

此外，我们的运作假设是自我报告的友谊是互惠的。 先前的研究表明，在 FHS 数据中，感知友谊的社会影响力处于类似的误差范围内，这一点得到了支持15。 鉴于他们在 FHS 数据中的地位是辅助因素而不是主要因素，并且每人平均有 0.7 个朋友，我们假设漏报是比方向性更重要的限制因素。 这一假设并不影响研究的定性结果。 为了对不同州的饮酒量进行分类，我们将性别信息与每周饮酒次数结合起来。 然后，通过比较波 Y 中每个人的饮酒状态与波 (Y+1)，识别饮酒状态转换。 最后，通过将这些信息与每个人在每个状态下拥有的连接数量相结合，我们能够运行生成 AMHa 模型参数的加权线性回归。

表 1 每次 FHS 检查的描述性数据。

表 1 提供所用数据的描述性统计。 请注意，除了第一波之外，平均年龄为 50 至 60 岁，并且在 20 年期间保持相对稳定，因为原始队列中的老年个体死亡，而后续队列中的个体变老。 数据显示，随着时间的推移，参与者总数和已知饮酒数据的平均接触人数有所下降，因为参与者在没有新参与者加入的情况下去世。 第一波浪潮之后，酗酒率显着下降。 与此同时，戒酒者人数有所增加，表面上反映了社会总体饮酒流行率较低的趋势。

此外，我们还分析了程度分布（参见补充材料图1）。 S3 在线）并发现它并没有随着不同的饮酒行为而显着变化。 我们的结果显示，当仅考虑那些可获得饮酒数据的个体时，程度分布呈线性递减，而考虑所有连接则显示程度的方差增加和更重尾的分布。

模型假设验证

当将我们的流行病学模型应用于网络时，需要使用我们的数据集来验证假设。 这些是：（1）我们的数据是否有足够的质量来作为模型的校准，（2）是否提出的三态模型26 是基于数据的现实世界动态的改进表示，以及（3）我们的数据是否证实，用于根据其生物生理效应区分适度饮酒和重度饮酒的传统界限也适用于行为动态。

饮酒状态的稳定性

为了确认数据捕获了每个状态的转变，有必要表明个体在几年的时间尺度上改变饮酒状态，因为时间连续反应扩散过程描述（其中转变是用概率来描述的）需要观测值的(Delta t) 明显小于平均转变时间。

此外，每 2 至 4 年进行一次检查，如果饮酒状态每年或每月发生变化，我们将丢失有关数据动态的信息：之前检查中的饮酒状态无法预测下一次检查，并且我们的数据将无法预测下一次检查的饮酒状态。观察结果不能代表该人在那段时间的状态。 因此，我们测试了所有波的状态之间的相关性，并获得了每个人的饮酒状态之间的强正相关性，相关系数 r 的范围为每波 0.52 到 0.70，平均值为 0.63。 这表明当前的饮酒状况是未来饮酒行为的有力预测因素，因此其波动不是以几个月为单位，而是以几年为单位。 它还表明所有饮酒状态都可以被认为是稳定的。

三态体系

在本节中，我们将研究是否使用三态系统，如所提议的那样26由我们的数据支持，并且能够捕获两国系统可能遗漏的复杂性。

为了证实后一点，除了上面提到的相关结果之外，我们还应用了类似于26我们测量一个人多年来保持相同状态的概率并检查转变率。 结果见表 2。 它表明，对于戒酒者、适度饮酒者和重度饮酒者状态，个体在多次检查中保持相同状态的概率分别为 (75%)、(67%) 和 (61%)分别。 假设在两种测量之间切换的人数可以忽略不计，如所发现的高相关性所示，这将表明年稳定性为 (93.8%)、(91.8%) 和 (90.3% ） 分别。 表 2 还表明，有一小部分人直接从酗酒过渡到戒酒，当有饮酒问题的人决定戒掉这种习惯时，这种情况很常见。 其次，它表明适度饮酒是一个门户：几乎没有任何从戒酒直接到大量饮酒的转变。

表2 不同饮酒状态之间的传输比例。 每行总和为 1，因为它包含每个状态的所有转换。

我们还研究聚类和空间相关性。 空间相关性 (C_{XY}) 是状态 X 到状态 Y 的个体之间观察到的连接数与所有状态相等时的预期连接数的比率28。 如果(X=Y)，我们称之为聚类。 例如，这些指标表明，平均而言，戒酒者与其他戒酒者的联系是否比与酗酒者的联系更紧密。 这种聚集可能是由行为的传播驱动的，但也可能归因于同质性或混杂因素。

表 3 说明了所有检查的平均空间相关性和聚类，并显示戒酒者和重度饮酒者倾向于强烈聚类，与类似饮酒者相关的可能性比预期高约 1.5 倍。 适度饮酒者往往对饮酒行为的联想偏好不太强烈。

这个结果清楚地表明，在酒精消费中，我们不能假设网络是混合良好的，因为数据显示它是分类的。 因此，考虑通过将模型约束到网络来对传播进行建模是有益的。 此外，这表明这三种状态的行为不同，这表明应用三态模型而不是二态模型可以更准确地表示现实世界的传播。

表 3 连接的空间相关性 (C_{i,j}) 和聚类 (C_{i,i})，在所有检查中取平均值。

美国国家酒精滥用和酒精中毒研究所 (NIAAA) 设定的中度饮酒和重度饮酒的界限为女性每周饮酒 7 杯，男性每周饮酒 14 杯31基于饮酒的生物生理学后果及其对个人健康和福祉的影响。 我们在图 2 中评估了不同阈值对中度和重度饮酒稳定性的影响。 1。 该图显示了当对中度至重度饮酒应用不同的临界值时，在所有州观察到的稳定性变化。 值得注意的是，我们的研究结果强调了生物生理学阈值和最稳定的截止值之间的紧密匹配，因为数据表明在截止值的生物生理学定义附近状态之间的转换最具挑战性。 这表明，确定的临界值不仅从生物生理学的角度来看是适当的，而且与弗雷明汉心脏研究中观察到的行为动力学一致，进一步支持适度饮酒是一种独特的状态，并且是建模工作的相关补充。

图1

不同中度至重度饮酒临界值的饮酒状态的稳定性分析。 显示的是在用于区分中度饮酒和重度饮酒状态的一系列临界值范围内保持在同一饮酒类别内的逐年稳定性概率。 y 轴量化了年度稳定性可能性，而 x 轴表示定义女性从中度到重度过渡的饮酒数量的不同阈值水平； 当适用于男性时，这些阈值会加倍。 垂直虚线代表 NIAAA 女性和男性每周饮酒量分别为 7/14 的临界值31。 可以看出，重度和中度状态组合的整体稳定性明显接近其最大值，支持 FHS 数据行为动力学中生物生理学截止值的有​​效性。

模型标定

为了测试是否以及哪些转变是社会引起的，哪些是自发的，哪些是两者的组合，我们拟合了“反应过程描述”部分中的参数。网络上的 AMHa 模型” 对于每个州。 这是通过找到所有可能的转变与个人在状态 Y 中拥有的联系数量的相关性来完成的。显着的正相关表明这种转变是一个社会传染的过程。 我们的方法，类似于24,25涉及对从状态 X 到状态 Y 的转换率作为状态 Y 中连接数量的函数进行回归分析。由于每个个体的转换都是二元的，因此逻辑回归是最合适的。 我们进行了比较分析（参见补充材料图1）。 S4 在线）这表明我们的逻辑回归结果在线性范围内，并且统计结果非常匹配。 随着连接数量的增加，会观察到一些差异。 然而，由于程度分布主要较低，因此这种差异显着的情况很少。 例如，在具有重连接的中度到重度转变的 11,000 个观察中，只有 100 个实例表现出这种差异。 鉴于我们从未遇到过超过 1 或低于 0 的比率，因为斜率和最大连接数都很低，我们得出的结论是，线性回归可以作为逻辑回归的近似值，并且流行病学和社会传染可以应用方法论。

我们实现了加权最小二乘线性回归，类似于25。 我们将自发转移参数 (alpha _{XY}) 定义为个体从状态 X 移动到状态 Y 的速率，与状态 Y 中的连接数量无关； 这由与连接数的相关性的截距来表示。 另一方面，社交转变参数 (beta _{XY}^Y) 表示状态 Y 中每个附加连接的转变率的增加，由回归线的斜率表示。 从状态 X 到状态 Y 的转换也可能受到状态 Z 中的连接的影响，其速率由 (beta _{XY}^Z) 给出。 特别是当研究从戒酒到适度饮酒的转变与重度饮酒者的联系的相关性，以及从重度饮酒到适度饮酒的转变与戒酒者的联系的相关性时，我们预计这是相关的。 因此，我们还测试这些相关性，如果显着，则将它们作为模型中的附加社会术语包含在内。 最后，在对感染过程进行建模时，通常假设感染率和康复率随着时间的推移保持恒定。 然而，鉴于我们的数据跨度为 30 年，因此可以检查这些参数是否表现出时间变化。 任何此类变化都可能表明重大的文化转变，例如对禁欲态度的变化，并且应在校准和模拟中予以考虑。

2024-02-24 06:19:13
1708756928
#弗雷明汉心脏研究社交网络中饮酒是一种社会传染现象