基于初级保健的老年抑郁筛查可解释机器学习模型：多算法比较研究及其临床转化价值

《Journal of Affective Disorders》：Primary-care-focused interpretable machine learning model for depression screening in geriatrics: A comparative study of multiple algorithms

本文推荐一款针对老年抑郁筛查的初级保健机器学习（ML）模型。研究基于NHANES数据，采用LASSO回归筛选特征并应用SMOTE处理类别不平衡，比较七种算法后发现XGBoost模型表现最优（测试集准确率0.82，AUC达0.88）。通过SHAP提升可解释性，识别睡眠障碍、性别、PIR等关键预测因子，为基层医务人员提供高效筛查工具。

　　

Highlight

研究参与者与研究设计

本研究采用美国疾病控制与预防中心（CDC）与国家卫生统计中心（NCHS）联合开展的全国健康与营养调查（NHANES）数据。NHANES旨在评估美国人口的健康状况与生活方式行为。NCHS研究伦理审查委员会批准了所有数据收集程序，并获得了所有参与者的书面知情同意。

参与者的基线特征

最终分析共纳入3802名参与者，其中933人（24.54%）被识别为患有抑郁。如表1所示，抑郁组与非抑郁组在各种人口统计学、社会经济和临床特征上均观察到统计学显著差异（p < 0.05）。

与非抑郁组相比，抑郁组参与者更可能为女性（56.70% 对比 42.80%），并且平均年龄略低。

讨论

研究使用七种机器学习算法开发了抑郁筛查模型，并纳入了通过特征选择确定的13个关键变量。比较性能分析表明，XGBoost算法优于其他算法。进一步的模型可解释性评估显示，睡眠障碍、性别、贫困收入比（PIR）、白蛋白（Albumin）和 segmented neutrophil count（Segs）是XGBoost模型中最具影响力的预测因子。

先前已有研究利用NHANES数据库开发抑郁预测模型。例如...

结论

本研究开发了一个采用13个关键变量的机器学习模型，用于筛查老年人抑郁，并证明了其作为临床适用诊断辅助工具的潜力。通过引入SHAP分析，提高了模型的可解释性，从而能更清晰地洞察每个预测因子的贡献。这一进展为早期抑郁筛查提供了一个实用且科学依据充分的工具，有助于在初级保健和临床环境中进行及时识别和干预。