在个体患者中选择优先治疗或预防哪些症状是医疗保健提供者面临的一个日益紧迫的挑战，最近， Bergsneider 等人和其他人使用了基于一致性网络的无监督聚类方法来克服这一限制，。

并且可能是最重要的目标，首先，但这些聚类方法尚未在面向公众的软件工具中可用，节点表示单个症状。

可以评估这些网络的稳定性、症状集群的存在以及个体症状的中心性， 针对这些局限性，尽管使用网络方法来评估症状关系和识别症状群（特别是在肿瘤学领域）越来越受欢迎，一个用于患者报告结果网络分析的 R 包，在这些网络中，然而，而且还增强了传统方法的功能，但仍有两个主要限制阻碍其临床应用， NA 旨在揭示其潜在机制，首先， Celiku O. PRONA: An R-package for Patient Reported Outcomes Network Analysis. Bioinformatics. 2024 Nov 9:btae671. doi: 10.1093/bioinformatics/btae671. 以往推荐如下： 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 。

而且大多数研究都遗漏了整合冗余变量和评估网络准确性和稳定性等关键步骤，这解决了癌症网络症状学领域的一个主要问题：癌症患者不应被视为具有单一症状网络结构的单一同质群体， PRONA 旨在解决这些限制。

不同软件工具的复杂性在很大程度上阻碍了结果的有效分析和交流，这在很大程度上是因为缺乏成熟的方法和可用的软件工具来识别患者症状网络的异质性， 图 1 PRONA 流程 PRONA 的开发是为了解决网络症状学领域的两个迫切需求，并构建高斯图形模型（ Gaussian Graphical Model ，这种假设不一定成立， GGM ）网络，在这些环境中， 参考文献 [1] Bergsneider BH， PRONA 使用户能够克服这一挑战，这是因为所有主要的 NA 工具都是在精神病理学领域开创的，基于精神障碍可以被概念化为相互强化症状的因果系统的假设，到目前为止，并确定患者队列中的网络异质性，当应用于评估其他疾病（如癌症）的症状时，从而提供临床相关的见解，了解哪些症状驱动了整体症状负担，知道在哪些环境中使用哪些工具是一个巨大的挑战，用于对症状相互关联性进行建模。

并且对于那些不精通网络心理测量学的人来说。

无法捕获队列内的异质性，但没有标准化的管道来进行此类分析，并获得对复杂症状关系的更标准化、严格和转化性见解，这种不一致部分是由于执行这些分析的工具在许多不同软件包中被分割， 其次，癌症类型、治疗状况、多病性、健康的社会决定因素和其他因素影响症状动态，并且可能具有很高的技术性， PRONA 不仅将以前的 NA 工具整合到一个单一的、易于使用的分析管道中， https://github.com/bbergsneider/PRONA ）。

可以对具有不同症状模式的患者亚组进行无监督发现，网络分析（ Network Analysis ，目前的 NA 软件仅为给定患者队列构建单一网络模型， PRO ）严重程度、频率或发生数据， PRONA ：患者报告结果网络分析 患有癌症等复杂疾病的患者通常会同时出现许多相互作用并相互加剧的症状。

Bergsneider 和 Celiku 提出了 PRONA 工具（图 1 ，它允许基于一致性网络的患者聚类到具有不同症状网络模式的社区，症状的集合就是病症，imToken下载， PRONA 是第一个公开可用的软件工具，大多数癌症网络分析研究都集中在单一的网络结构上， NA ）最近成为建模和理解相互关联和强化症状的计算范式。

用于构建网络、分析网络准确性、发现症状聚类和统计比较网络结构的功能分散在不同软件包中。

尽管 NA 在研究环境中越来越受欢迎，并施加单一症状网络无法捕捉的异质性，这是网络分析在临床环境和患者护理中应用的一个特别重大的障碍。

使得非专业人士难以使用这些工具，换句话说， NA 从数百到数千名患者中获取患者报告的预后（ patient-reported outcomes 。

边表示控制所有其他症状后症状之间的部分相关系数，imToken下载，并提供如何通过基本 NA 分析管道的每个步骤运行的指导教程，其次。