基于CHARLS队列构建中老年抑郁风险动态列线图模型：早期筛查与干预的新工具

本研究针对中老年抑郁筛查难题，利用CHARLS队列数据，通过LASSO回归和多元分析构建了包含性别、饮酒、自评健康、生活满意度、睡眠障碍、日常生活能力(ADL)、认知功能、听力和疼痛9个变量的动态列线图模型。该模型在训练集(AUC=0.823)、内部验证集(AUC=0.823)和外部验证集(AUC=0.819)均表现出优异预测性能，并开发了交互式网络应用平台，为社区抑郁早期筛查提供可视化工具。

　　

随着全球老龄化进程加速，抑郁症已成为中老年人群面临的重要公共卫生挑战。据预测，到2030年抑郁症将成为全球疾病负担的首要原因。尤其在中低收入国家，由于心理健康意识薄弱和医疗资源匮乏，抑郁症治疗率极低——中国的一项全国性调查显示，仅0.5%的抑郁症患者获得充分治疗。中老年人群的抑郁患病率尤为突出，跨国研究显示75岁人群抑郁风险高达50%。面对高患病率与低治疗率的矛盾，开发高效、便捷的抑郁风险预测工具成为当务之急。

以往研究多采用复杂机器学习算法（如随机森林、XGBoost等），虽在处理复杂非线性关系时表现优异，但存在计算资源需求高、模型可解释性差等局限。相比之下，基于逻辑回归(LR)的列线图模型具有直观可视化、计算简便的优势，在临床实践中更易推广。本研究利用中国健康与养老追踪调查(CHARLS)这一全国性代表性队列数据，旨在构建适用于中老年抑郁风险预测的列线图模型。

研究采用CHARLS 2013年（训练集n=5,439）和2018年（外部验证集n=6,798）两波次数据。通过Spearman相关分析、LASSO回归和多元回归三级特征筛选，最终确定9个核心预测变量：性别（女性风险更高）、饮酒（保护因素）、自评健康（越差风险越高）、生活满意度（越低风险越高）、睡眠障碍（显著增加风险）、日常生活能力(ADL)评分（能力越差风险越高）、认知功能（得分越低风险越高）、听力（损伤增加风险）以及疼痛（存在疼痛增加风险）。基于这些变量构建的列线图模型，用户可通过简单累加各变量对应分值，快速获取个体抑郁风险概率。

为提升临床实用性，团队还开发了动态列线图网络应用（使用R语言DynNom包），支持实时输入变量值并即时输出预测概率及置信区间。模型经历十折交叉验证，平均AUC达0.821，灵敏度0.670，特异度0.809，展现出稳定性能。

模型验证结果

训练集、内部验证集与外部验证集的AUC值分别为0.823、0.823和0.819，显示优异且稳定的判别能力。校准曲线显示预测概率与实际观测值高度一致（训练集MAE=0.002），决策曲线分析(DCA)证实模型在广泛阈值范围内具有临床净收益。各变量单独分析显示，睡眠障碍、自评健康、疼痛和生活满意度是权重最高的四大预测因子。

讨论与意义

本研究构建的列线图模型在预测性能上优于既往类似研究（如Rong等模型AUC=0.684）。模型纳入的生物-心理-社会多维变量体系，契合抑郁发病的多元理论框架：生物维度（疼痛、听力、睡眠）、心理维度（自评健康、生活满意度）和社会维度（婚姻状况）。特别值得注意的是，睡眠障碍取代传统采用的睡眠时长成为更强预测因子，这可能因为睡眠质量比单纯时长更能反映神经生理紊乱。

模型的突出优势在于其社区应用潜力：所需变量均可通过问卷快速采集，无需复杂检测设备，特别适合资源有限的基层医疗机构。通过动态网络应用，社区医生甚至患者本人均可完成快速风险评估，为实现抑郁早期筛查和分级干预提供技术支撑。

研究局限性包括数据源自横断面调查难以推断因果关系，以及未纳入生物标志物等客观指标。未来需通过前瞻性队列验证模型预测效能，并探索与生物标志物联合应用的价值。该模型发表于《Scientific Reports》期刊，为全球中老年抑郁防控提供了来自中国人群的实践方案。