配偶发生心血管事件与抑郁风险之间的异质性

《SSM - Mental Health》：Heterogeneity in the Depression Risk Associated with Spousal Cardiovascular Events

本研究基于日本健康保险协会的大规模数据库，采用贝叶斯因果森林算法，分析配偶心血管疾病事件与索引个体抑郁风险异质性的关联。结果显示，抑郁风险因个体性别、病史及生活习惯等因素异质，女性、较少病史且存在更多不健康行为的个体风险最高。研究证实机器学习方法在揭示复杂交互作用中的有效性，为制定针对性干预措施提供依据。

　　心血管疾病（CVD）与抑郁症之间存在明显的关联，这种关联不仅影响患者本身，还可能波及到其家庭成员。随着研究的深入，越来越多的证据表明，CVD对家庭成员心理健康的影响并非均匀分布，而是因人而异，受到多种个体和社会因素的影响。本文通过分析日本全国范围内的健康保险数据，探索了配偶患CVD对个体抑郁风险的影响是否存在异质性，并试图识别哪些人群更容易受到这种影响。这项研究不仅有助于理解CVD对家庭成员心理健康的复杂作用机制，也为制定更有针对性的公共卫生干预措施提供了依据。

研究使用了日本健康保险协会（JHIA）提供的全国性数据库，该数据库涵盖了超过3000万名工作年龄人群的医疗记录和健康筛查数据。JHIA作为日本最大的健康保险公司，其数据覆盖了大部分中小型企业的员工及其家属，具有广泛的代表性。研究者构建了一个包含59,900名索引个体的队列，这些个体的配偶在2016年至2018年间被诊断为首次出现CVD。通过使用一种名为贝叶斯因果森林（Bayesian Causal Forest, BCF）的机器学习方法，研究者分析了配偶CVD事件对索引个体抑郁风险的影响，并进一步探索了这种影响在不同人群中的差异。

研究结果表明，配偶患CVD对个体抑郁风险的影响存在显著的异质性。在BCF模型中，根据预测的条件平均处理效应（Conditional Average Treatment Effect, CATE）将样本分为四个四分位组。最坚韧的群体（CATE Q1）中，个体的抑郁风险下降了0.54个百分点（95% CI：-1.24至0.16），而最脆弱的群体（CATE Q4）中，抑郁风险增加了0.73个百分点（95% CI：0.02至1.44）。此外，CATE Q4的个体在相对风险上也显示出更高的风险比（OR），达到1.38（95% CI：1.01至1.88），而CATE Q1的OR为0.78（95% CI：0.57至1.07）。这些结果表明，CVD对个体抑郁风险的影响因个体特征的不同而存在显著差异，说明在不同人群中，CVD事件可能对心理健康产生截然不同的作用。

进一步的分析显示，CATE Q4的个体在多个方面与CATE Q1的个体存在差异。首先，CATE Q4的个体中女性比例较高，约为9.3%，而CATE Q1的个体中女性比例仅为1.7%。这可能与女性在家庭中的角色和责任有关，尤其是在面对配偶健康问题时，女性可能更容易感受到心理压力。其次，CATE Q4的个体在病史方面较少，无论是自身还是配偶，均表现出较少的慢性病史。这可能意味着，这些个体在面对配偶CVD事件时，缺乏足够的心理准备或应对机制，从而更容易受到负面情绪的影响。此外，CATE Q4的个体在不健康行为方面更为频繁，如每天饮酒、缺乏体育锻炼等，这些行为已被证实是抑郁症的重要风险因素。

研究还通过构建分类与回归树（CART）模型，进一步探索了哪些特定的基线特征可能与CATE的差异有关。结果发现，eGFR（估算肾小球滤过率）是一个重要的预测因子。在训练样本中，eGFR低于73.73的个体显示出更高的抑郁风险，而在测试样本中，这一趋势同样显著。eGFR的高低可能反映了个体的生理健康状况和心理准备程度。较高的eGFR通常意味着更好的肾功能和更健康的身体状态，而较低的eGFR可能表明个体已经处于慢性健康问题的边缘，这种情况下，他们可能对配偶CVD事件的心理冲击更加敏感。这一发现为理解CVD对家庭成员心理健康影响的机制提供了新的视角，即心理准备度可能在个体对配偶CVD事件的反应中起到关键作用。

此外，研究还发现，那些拥有更多慢性病史的个体，其抑郁风险可能受到配偶CVD事件的影响较小。这可能与“不利因素饱和”（saturation of disadvantages）的概念有关，即个体如果已经面临较多的健康挑战，可能会在面对新的健康问题时表现出更强的适应能力。这种适应能力可能源于长期的心理调整和应对策略的积累，使得这些个体在配偶患病后，能够更好地应对压力和情绪波动。因此，研究结果提示，CVD对个体心理健康的影响不仅与个体的健康状况有关，还可能受到其对健康问题的心理准备和应对能力的影响。

然而，研究也存在一定的局限性。首先，尽管研究者已经考虑了多种基线特征，但仍可能存在未测量的混杂因素，如家庭的社会经济状况和社会支持系统。这些因素可能在一定程度上影响个体对配偶CVD事件的心理反应，但未能在当前分析中得到充分考虑。其次，研究数据来源于JHIA，其数据集中缺少一些重要的社会人口学信息，如教育水平，这可能限制了对效应异质性的全面分析。此外，研究仅包括那些配偶被登记为依赖者的个体，这意味着这些个体的配偶可能没有或只有较低的收入，这可能影响研究结果的外部效度。最后，研究中使用ICD-10编码来识别CVD和抑郁症事件，虽然这些编码在之前的研究中已被验证具有较高的预测准确性，但仍可能存在一定的测量误差。

尽管存在这些局限性，本研究仍具有重要的现实意义。它揭示了配偶CVD事件对个体抑郁风险的影响存在显著的异质性，并指出了某些特定的个体特征可能使其更容易受到影响。这些发现不仅有助于理解CVD对家庭成员心理健康影响的复杂机制，还为制定更有针对性的干预措施提供了依据。例如，针对那些具有较高抑郁风险的个体，如女性、病史较少的个体以及存在更多不健康行为的个体，可以采取更加积极的心理支持和健康促进措施，以减轻配偶患病带来的心理负担。此外，研究还强调了机器学习方法在分析健康决定因素异质性方面的潜力，这种方法能够同时考虑多种特征之间的相互作用，提供比传统统计方法更为全面和深入的见解。

综上所述，本研究通过利用日本全国性数据库，揭示了配偶CVD事件对个体抑郁风险的影响存在显著的异质性。研究结果表明，某些特定的个体特征，如性别、病史和不健康行为，可能使个体更容易受到配偶患病的影响。这些发现为理解CVD对家庭成员心理健康影响的机制提供了新的视角，并为制定更具针对性的公共卫生干预措施提供了依据。未来的研究需要进一步探索这些异质性背后的机制，包括心理准备度、社会支持系统等因素，并据此制定更加有效的干预策略，以提升家庭成员的心理健康水平和整体健康安全。