Network analysis is an increasingly popular approach to study mental disorders in all their complexity. Multiple methods have been developed to extract networks from cross-sectional data, with these data being either continuous or binary. However, when it comes to time series data, most efforts have focused on continuous data. We therefore propose ConNEcT, a network approach for binary symptom data across time. ConNEcT allows to visualize and study the prevalence of different symptoms as well as their co-occurrence, measured by means of a contingency measure in one single network picture. ConNEcT can be complemented with a significance test that accounts for the serial dependence in the data. To illustrate the usefulness of ConNEcT, we re-analyze data from a study in which patients diagnosed with major depressive disorder weekly reported the absence or presence of eight depression symptoms. We first extract ConNEcTs for all patients that provided data during at least 104 weeks, revealing strong inter-individual differences in which symptom pairs co-occur significantly. Second, to gain insight into these differences, we apply Hierarchical Classes Analysis on the co-occurrence patterns of all patients, showing that they can be grouped into meaningful clusters. Core depression symptoms (i.e., depressed mood and/or diminished interest), cognitive problems and loss of energy seem to co-occur universally, but preoccupation with death, psychomotor problems or eating problems only co-occur with other symptoms for specific patient subgroups.

网络分析是研究各种复杂性精神障碍的一种越来越流行的方法。已经开发了多种方法来从横截面数据中提取网络，这些数据要么是连续的，要么是二元的。然而，当涉及到时间序列数据时，大多数努力都集中在连续数据上。因此，我们提出了 ConNEcT，这是一种跨时间二进制症状数据的网络方法。ConNEcT 允许可视化和研究不同症状的普遍性及其同时发生，通过在单个网络图片中的应急措施进行测量。ConNEcT 可以补充一个显着性检验，该检验说明数据中的序列依赖性。为了说明 ConNEcT 的用处，我们重新分析了一项研究的数据，在该研究中，每周被诊断患有重度抑郁症的患者报告了八种抑郁症状的缺失或存在。我们首先为所有在至少 104 周内提供数据的患者提取 ConNEcT，揭示了症状对显着共存的强烈个体间差异。其次，为了深入了解这些差异，我们对所有患者的共现模式应用层次分类分析，表明它们可以被分组为有意义的集群。核心抑郁症状（即情绪低落和/或兴趣减少）、认知问题和精力丧失似乎普遍存在，但对死亡、精神运动问题或饮食问题的关注仅与特定患者亚组的其他症状同时发生。我们首先为所有在至少 104 周内提供数据的患者提取 ConNEcT，揭示了症状对显着共存的强烈个体间差异。其次，为了深入了解这些差异，我们对所有患者的共现模式应用层次分类分析，表明它们可以被分组为有意义的集群。核心抑郁症状（即情绪低落和/或兴趣减少）、认知问题和精力丧失似乎普遍存在，但对死亡、精神运动问题或饮食问题的关注仅与特定患者亚组的其他症状同时发生。我们首先为所有在至少 104 周内提供数据的患者提取 ConNEcT，揭示了症状对显着共存的强烈个体间差异。其次，为了深入了解这些差异，我们对所有患者的共现模式应用层次分类分析，表明它们可以被分组为有意义的集群。核心抑郁症状（即情绪低落和/或兴趣减少）、认知问题和精力丧失似乎普遍存在，但对死亡、精神运动问题或饮食问题的关注仅与特定患者亚组的其他症状同时发生。为了深入了解这些差异，我们对所有患者的共现模式应用层次分类分析，表明它们可以被分组为有意义的集群。核心抑郁症状（即情绪低落和/或兴趣减少）、认知问题和精力丧失似乎普遍存在，但对死亡、精神运动问题或饮食问题的关注仅与特定患者亚组的其他症状同时发生。为了深入了解这些差异，我们对所有患者的共现模式应用层次分类分析，表明它们可以被分组为有意义的集群。核心抑郁症状（即情绪低落和/或兴趣减少）、认知问题和精力丧失似乎普遍存在，但对死亡、精神运动问题或饮食问题的关注仅与特定患者亚组的其他症状同时发生。