Комплексная динамика в психологических данных: картирование индивидуальных траекторий симптомов в групповые паттерны

В исследовании предложен новый аналитический подход, объединяющий причинный анализ, теорию графов, меры временной сложности и машинное обучение для анализа динамики психопатологических симптомов. На лонгитюдных данных пациентов с генерализованным тревожным расстройством и/или большим депрессивным расстройством авторы применили алгоритм PCMCI+ для выявления причинно-следственных сетей симптомов. Обнаружено, что индивидуальные сети симптомов обладают уникальными особенностями, что может быть использовано для персонализированной терапии, а их агрегация по диагнозам выявляет общие механизмы расстройств. Дополнение данных мерами сложности (энтропия, фрактальная размерность, рекуррентность) и их подача в алгоритм машинного обучения позволили достичь высокой точности классификации динамики симптомов.

**Выводы:** Предложенная интеграция причинного моделирования и мер временной сложности существенно повышает точность дифференциальной диагностики тревожных и депрессивных расстройств. Выявленные индивидуальные сети симптомов создают вычислительную основу для персонализированной оценки в клинической психологии.