Door Paul de Bont
Er zijn tal van verklaringsmodellen ontworpen om wanen te begrijpen. Maar deugen ze? In deze machine learning studie leren we bij over de waarde van de verklaringsmodellen die we dagelijks gebruiken (Denecke et al., 2025).
In de loop der jaren zijn er in allerlei predictoren van achtervolgingswanen opgevoerd. Denk bijvoorbeeld aan lage sociaal-economische status, discriminatie, eenzaamheid, denkvalkuilen, trauma, laag zelfbeeld, en dergelijke. Deze studie stelt de vraag in welke mate deze voorspellers daadwerkelijk de variatie in achtervolgings-ideeën over het hele paranoia-continuüm verklaren.
De onderzoekers stelden vragen over de veelheid aan predictoren.
- V1: In hoeverre voorspellen ze adequaat de variatie in achtervolgingswaan scores?
- V2: Welke factoren zijn het best in het verklaren van achtervolgingswaan?
- V3a: Hoe goed voorspellen ze individuele scores op achtervolgingswaan?
- V3b: Kan een eenvoudiger model de variatie in achtervolgingswaan net zo goed voorspellen als een volledig (complex) model?
- V4: Zijn de veronderstelde factoren specifiek voor achtervolgingswaan, of spelen ze ook een rol bij betrekkingsideeën, of andere waanideeën en psychische problemen?
De auteurs destilleerden uit 1000 studies via een vooropgezet exclusieproces 55 veronderstelde predictoren van wanen. Ze lieten vervolgens deelnemers (N=336) online de Revised Green Paranoid Thoughts Scale (R-GPTS) invullen voor achterdocht en betrekkingsideeën, de Peters Delusion Inventory (PDI) voor een bredere range van wanen en de Symptom Checklist K-9 (SCL-K-9) voor algemene psychopathologie. Met behulp van machine learning hebben ze onderzocht in hoeverre de voorspellers zelfgerapporteerde vervolgingswaan verklaren, welke de meest relevante voorspellers zijn en hoe specifiek of aspecifiek die zijn voor achtervolgingsideeën.
V1: De predictoren voorspelden
- 31% van de variantie in achtervolgingsideeën
- 53% van de combinatie achtervolgings- en betrekkingsideeën
- 47% van wanen algemeen
- 77% van algemene psychopathologie
V2: De tien krachtigste predictoren van achtervolgingswaan waren:
- de metacognitieve overtuigingen:
- Negatieve overtuigingen over wantrouwen (bv menen dat achterdocht oncontroleerbaar is)
- Cognitieve fusie (bv gedachtenverstrengeling)
- de sociale factoren:
- Sociale uitsluiting (‘ostracism’)
- Anticipatie op bedreigingen
- Algemene negatieve overtuigingen over anderen
- Vertrouwen
- de waarnemingsfactoren:
- Afwijkende saillantie
- Hallucinaties
- de negatieve affecten:
- Stress
- Moeilijkheden met emotieregulatie
V3a: Kijkend naar een opsplitsing van de R-GPTS scores in vier strata ‘gemiddeld’, ‘verhoogd’, ‘matig ernstig’ en ‘(zeer) ernstig’ blijken de predictoren het best individuele scores te voorspellen in het stratum ‘verhoogd’ en duidelijk minder in ‘matig tot zeer ernstig’. Grofweg voorspellen de factoren redelijk goed of iemand wel of geen last heeft van achtervolgingsideeën, maar voorspellen ze de ernst onvoldoende.
V3b: Als niet alle 55 predictoren, maar enkel de tien beste predictoren in het model worden gebruikt, dan neemt de verklaarde variantie zelfs iets toe, tot 35%. Omgekeerd, als de tien sterke voorspellers uit de analyse gelaten worden, dan neemt de voorspellende kracht af tot 22%; wat nog steeds wel een relevante hoeveelheid verklaarde variantie is.
V4: De voorspellers Social uitsluiting, Negatieve opvattingen over anderen, Anticipatie op bedreigingen, Afwijkende saillantie en Hallucinaties bleken vrij specifieke voorspellers te zijn voor wanen algemeen en niet voor overige psychopathologische symptomen.
De voornaamste conclusie is dat de predictoren van achtervolgingsideeën toch nog niet zoveel variantie verklaren als werd aangenomen. De predictieve gewichten van Metacognitieve opvattingen en van Sociale uitsluiting zijn veel groter dan er in de meeste etiologische modellen aan wordt toegekend. Wat verder nog opvalt is dat de veronderstelde predictoren ‘cognitieve denkvalkuilen’ niet zoveel predictieve kracht hadden als wel aangenomen wordt. Er is werk aan de winkel. De focus dient op krachtige predictoren te komen liggen en zwakke predictoren kunnen beter aan de kant worden geschoven in verklaringsmodellen.
