基于机器学习的哮喘患者抑郁风险预测模型构建与验证研究

《Journal of Affective Disorders》：Screening for depression risk in asthma patients: Development and external validation of a machine learning-based predictive model

本文基于NHANES大数据，创新性地整合急性发作史、吸烟状况等临床可及指标，通过机器学习构建哮喘患者抑郁风险预测模型（Logistic回归）。该模型以列线图形式呈现，验证集表现优异（AUC值显著），为呼吸科早期识别抑郁高风险人群提供了客观、高效的工具（PHQ-9问卷替代方案），对优化哮喘合并症管理具有重要临床转化价值。

　　

【研究亮点】

数据来源

NHANES（美国国家健康与营养调查）是由美国疾病控制与预防中心（CDC）下属的国家健康统计中心（NCHS）开展的一项全国性调查，收集儿童和成人的营养健康状况、基础体格检查及生化检测等医学相关数据。所有参与者均签署书面知情同意书，该研究已通过NCHS研究伦理审查委员会批准。具体数据收集、所有参与者的知情同意书以及相关的伦理批准信息均可在NHANES官方网站上查阅。

研究人群特征

本研究共纳入3517名哮喘患者进行分析。表1总结了研究人群的描述性统计结果。中位年龄为44.00岁（四分位距[IQR]：28.00–60.00），其中55.6%（n = 1954）为女性。种族构成为：非西班牙裔白人占47.9%（n = 1684），非西班牙裔黑人占24.2%（n = 850），墨西哥裔美国人占9.6%（n = 338），其他西班牙裔占9.2%（n = 324），其他种族（包括多种族）占9.1%（n = 321）。

讨论

本研究利用具有全国代表性的大规模NHANES样本数据，并采用临床常见指标作为候选预测因子。随后应用联合特征选择策略，识别出六个核心变量：过去一年急性哮喘发作情况、吸烟状况、家庭收入与贫困比率（PIR）、血清总胆红素水平、共存慢性阻塞性肺疾病（COPD）以及血糖水平。随后对这些关键变量进行多变量分析，以评估它们与哮喘患者抑郁风险的独立关联程度。最终构建的Logistic回归预测模型在验证集中表现出优异的判别能力和临床实用性，其受试者操作特征曲线下面积（AUC）令人满意。该模型通过列线图实现可视化，便于临床医生快速评估个体患者的抑郁风险，有望成为呼吸科门诊筛查抑郁的有效工具，从而弥补当前问卷评估（如PHQ-9）依赖主观陈述及精神专科资源不足的缺口。

结论

本研究开发了一个稳定的临床预测模型，并以列线图形式呈现，用于预测哮喘患者发生抑郁的风险。该模型通过整合常用的临床病史和实验室数据，能够快速识别抑郁高危个体。其设计简洁实用，有望减少哮喘患者抑郁的漏诊率，并为确定干预优先次序提供依据。