Machineleesbare criteria brengen de symptoomruimte van psychische stoornissen in kaart

Waarom woorden in regels omzetten ertoe doet

Het stellen van diagnoses bij psychische aandoeningen steunt op omvangrijke, zorgvuldig onderhandelde handboeken zoals de DSM-5. Deze boeken beschrijven welke combinaties van symptomen als een stoornis gelden, maar doen dat in verhalende proza, niet in een vorm die computers direct kunnen gebruiken. Dit artikel laat zien hoe je die geschreven regels kunt vertalen naar een nauwkeurige, machineleesbare kaart van alle mogelijke symptoompatronen. Die kaart onthult waar diagnostische categorieën duidelijk van elkaar gescheiden zijn, waar ze in elkaar overlopen, en hoe nieuwe voorstellen zoals Long COVID binnen bestaande concepten passen — of juist niet.

Van tekst op papier naar een gestructureerde kaart

De auteurs beginnen met het beschouwen van diagnostische handboeken als regelboeken die in principe in een formele logische taal kunnen worden opgeschreven. Elke stoornis wordt gedefinieerd door criteria zoals “minstens vijf van negen symptomen, waaronder ofwel neerslachtige stemming of verlies van interesse.” Uit zulke zinnen halen ze de lijst met symptomen, de vereiste aantallen en hoe die onderdelen worden gecombineerd met “en/of”-logica. Vervolgens coderen ze elke geldige, criteria-voldane symptoomcombinatie — het volledige spectrum van symptoomprofielen dat volgens de geschreven regels aan een diagnose zou voldoen. Elke combinatie wordt een binaire patroon dat aangeeft welke symptomen aanwezig, afwezig of irrelevant zijn voor die stoornis. Gezamenlijk vormen die patronen een hoogdimensionale “symptoomruimte” die wiskundig geanalyseerd kan worden.

Testen of diagnoses van elkaar te onderscheiden zijn

Met deze kaart in handen stellen de auteurs een fundamentele maar zelden geformaliseerde vraag: kunnen twee stoornissen puur op basis van hun officiële criteria van elkaar worden onderscheiden? Ze introduceren twee toetsen. Ten eerste mag er geen enkel symptoompatroon zijn dat tegelijkertijd aan beide definities voldoet; anders zouden de regels zelf de diagnoses ononderscheidbaar maken. Ten tweede mag het minimale symptoompatroon van de ene stoornis geen strikte deelverzameling zijn van dat van een andere, omdat dat zou betekenen dat de ene definitie simpelweg een ruimere versie van de andere is. Met eenvoudige voorbeelden laten ze zien hoe deze situaties verschijnen als overlappende of geneste gebieden in de symptoomruimte, en ze illustreren dat sommige schijnbare overlaps bij echte patiënten het gevolg zijn van werkelijke samenvoorkoming van verschillende regelsystemen, niet van fouten in de definities.

Wat de kaart onthult over bekende stoornissen

Het raamwerk wordt vervolgens toegepast op reële DSM-5-categorieën. Voor een groep stoornissen in het schizofreniespectrum zetten de auteurs alle verhalende regels om in formele combinaties en berekenen ze een maat voor gelijkenis op basis van hoe dicht de toegestane symptoompatronen bij elkaar liggen. Zoals verwacht lijken schizofrenie en schizofreniforme stoornis sterk op elkaar, omdat ze de meeste kernsymptomen delen en vooral verschillen in hoe lang die symptomen moeten aanhouden. De formele toetsen tonen echter aan dat hun gebieden in de symptoomruimte geen identieke of geneste minimale patronen delen. Het visualiseren van deze combinaties in twee dimensies bevestigt dat, ondanks inhoudelijke overlap, de criteria onderscheidende gebieden vormgeven. Dit suggereert dat, althans voor deze voorbeelden, de huidige definities logisch coherent zijn en zinvolle differentiële diagnostiek ondersteunen.

Waar Long COVID vervaagt naar stemming en angst

Dezelfde methode wordt prikkelender wanneer die op Long COVID wordt toegepast, met gebruik van een recente consensusbeschrijving die veelvoorkomende aanhoudende symptomen opsomt zoals vermoeidheid, cognitieve problemen, slaapproblemen en stemmingsveranderingen. Nadat de terminologie is geharmoniseerd met DSM-achtige symptoomnamen, genereren de auteurs alle Long COVID-compatibele patronen en vergelijken die met die van verschillende bestaande stoornissen. Ze vinden vrijwel geen verbinding met psychotische aandoeningen of spraakstoornissen, maar een zeer sterke structurele overeenkomst met majeure depressie, persisterende depressie, paniekstoornis en gegeneraliseerde angst. Cruciaal is dat een overgrote meerderheid van de geldige patronen voor deze stemmings- en angststoornissen ook voldoet aan de Long COVID-symptoomlijst. Dat betekent dat de voorgestelde Long COVID-definitie grotendeels is ondergebracht binnen reeds bestaande categorieën, ook al is er geen enkel patroon dat exact identiek is.

Hoe een machineleesbare consensus toekomstige zorg kan sturen

Door verhalende diagnostische regels om te zetten in expliciete, controleerbare structuren biedt dit werk een transparante manier om te testen of nieuwe diagnoses daadwerkelijk iets conceptueel onderscheidends toevoegen. Voor Long COVID impliceert de analyse dat symptoomlijsten alleen, zonder extra beperkingen zoals timing, biologische markers of uitsluitingsregels, te ruim zijn om het gescheiden te houden van depressie en angst. Algemeen toont de methode dat naarmate handboeken meer categorieën en criteria accumuleren, niet-ondersteunde menselijke redenering niet betrouwbaar alle toegestane combinaties kan bijhouden. Een machineleesbare, regelgebaseerde kaart van de symptoomruimte kan expertpanels helpen definities te verfijnen, clinici ondersteunen met interpreteerbare besluitvormingshulpmiddelen en het risico verkleinen dat diagnostische systemen afdrijven van de consensus die ze juist zouden moeten belichamen.

Bronvermelding: Strasser-Kirchweger, B., Kutil, R.H., Zimmermann, G. et al. Machine-actionable criteria chart the symptom space of mental disorders. npj Digit. Med. 9, 271 (2026). https://doi.org/10.1038/s41746-026-02451-6

Trefwoorden: diagnostische criteria, classificatie van geestelijke gezondheid, computable medicine, Long COVID-symptomen, klinische besluitvorming