编辑推荐：
慢性肾脏病（CKD）患者常伴抑郁且影响预后，现有诊断工具存局限。研究人员利用 NHANES 2005 - 2018 数据开发并验证预测 CKD 患者抑郁风险的列线图。结果显示该列线图预测性能良好，有助于早期识别高风险患者，改善预后。
在健康领域，慢性肾脏病（Chronic Kidney Disease，CKD）就像一颗 “定时炸弹”，悄无声息地威胁着全球约 7 亿成年人的健康。随着病情进展，各种并发症接踵而至，心血管疾病、代谢紊乱还算常见，更棘手的是，它还常常和心理健康问题 “狼狈为奸”，其中抑郁就是 CKD 患者中极为普遍的一种精神健康障碍。
想象一下，CKD 患者不仅要承受身体上的病痛，还要遭受抑郁情绪的折磨，生活质量直线下降，医疗成本也不断攀升。而且，CKD 和抑郁之间存在着双向的 “恶性循环”，彼此加重对方的病情，这对患者的治疗和康复来说，无疑是雪上加霜。目前，常用的抑郁诊断工具，比如患者健康问卷 - 9（Patient Health Questionnaire - 9，PHQ - 9），虽然应用广泛，但在 CKD 患者群体中却容易出现误诊，把一些由 CKD 本身症状导致的表现误判为抑郁症状。另外，此前虽然有研究探索过 CKD 患者抑郁的风险因素，却没有基于简单易获取的因素，像人口统计学特征、合并疾病和生活方式因素等，开发出可靠的预测模型。在这样的困境下，为了找到破解之法，安徽医科大学第二附属医院的研究人员挺身而出，开展了一项极具意义的研究。
研究人员利用 2005 - 2018 年美国国家健康和营养检查调查（National Health and Nutrition Examination Survey，NHANES）数据库的数据展开了这项研究。他们从这个庞大的数据库中筛选出符合条件的参与者，这些参与者年龄都大于 20 岁且患有 CKD（定义为估算肾小球滤过率 <60 ml/min/1.73 m2 或尿白蛋白肌酐比> 30 mg/g） 。随后，他们将参与者随机分为训练集和验证集（比例为 7 : 3） 。
在确定预测因素时，研究人员首先运用了最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）回归进行变量筛选，接着再通过多元逻辑回归进一步优化变量，最终确定了性别、年龄、种族、贫困收入比（Poverty - to - income ratio，PIR）、糖尿病（Diabetes mellitus，DM）、心血管疾病（Cardiovascular diseases，CVD）、睡眠问题、睡眠时间和吸烟这些因素作为预测指标。基于这些指标，他们构建了预测 CKD 患者抑郁风险的列线图模型。
为了评估这个模型的性能，研究人员采用了多种方法。通过受试者工作特征（Receiver Operating Characteristic，ROC）曲线和曲线下面积（Area Under the Curve，AUC）来评估模型的区分度，利用校准曲线和 Hosmer - Lemeshow 检验来评估校准准确性，还运用决策曲线分析来评估模型的临床实用性。不仅如此，他们还进行了内部验证、亚组分析和敏感性分析，以确保模型的可靠性和稳健性。
研究结果令人眼前一亮。这个列线图模型在训练集和验证集中都展现出了良好的预测性能，训练集的 AUC 达到了 0.785（95% CI：0.761 - 0.809） ，验证集的 AUC 为 0.773（95% CI：0.737 - 0.810） ，校正后的 C 指数为 0.776 ，表明模型预测效果良好。校准曲线显示在整个风险范围内都有良好的校准性能，决策曲线分析也表明该模型在识别 CKD 患者抑郁风险方面具有显著的临床实用性。亚组分析发现，列线图在不同 CKD 阶段都有稳定的判别性能；敏感性分析也进一步证实了结果的稳健性。研究人员还开发了基于列线图的网络风险计算器，让临床应用更加便捷。
这项研究意义非凡。它成功开发并验证的列线图，就像是一把精准的 “钥匙”，能够帮助临床医生快速、准确地识别 CKD 患者中抑郁的高风险人群。通过这把 “钥匙”，医生可以提前介入，根据患者的具体情况制定个性化的干预措施，比如调整生活方式、提供心理咨询，必要时进行药物治疗等，从而改善患者的心理健康状况，提高他们的生活质量，减轻家庭和社会的医疗负担。
研究人员为开展这项研究，用到的主要关键技术方法有：数据来源于 NHANES 2005 - 2018 数据库，通过筛选符合条件的参与者获取研究样本；运用 LASSO 回归和多元逻辑回归筛选预测变量；利用 ROC 曲线、校准曲线、Hosmer - Lemeshow 检验和决策曲线分析等方法评估模型性能；采用 Bootstrapping 进行内部验证，开展亚组分析和敏感性分析评估模型稳健性。
在研究结果部分：
- 参与者特征：研究共纳入 4414 名参与者，训练集 3095 人，验证集 1319 人。抑郁组和非抑郁组在性别、年龄、种族等多个因素上存在显著差异。
- 预测因子筛选：LASSO 回归确定了 10 个预测因子，多元逻辑回归后，最终模型包含 9 个预测因子：性别、年龄、种族、PIR、DM、CVD、睡眠问题、睡眠时间和吸烟。
- 列线图开发：构建的列线图模型包含 9 个预测因子，各预测因子间不存在显著多重共线性。通过计算得到列线图的最佳截断值为 0.119 ，敏感性为 0.722 ，特异性为 0.728 ，并开发了网络风险计算器。
- 列线图评估与验证：训练集和验证集的 AUC 表明列线图预测性能良好，校准曲线和 Hosmer - Lemeshow 检验显示校准性能良好，决策曲线分析证明其具有临床实用性。
- 亚组和敏感性分析：亚组分析显示列线图在不同 CKD 阶段判别性能稳定，敏感性分析进一步证实结果稳健。
在结论和讨论部分，该研究开发的列线图为 CKD 患者抑郁风险的预测提供了一个实用且便捷的工具。它整合了多种因素，可视化强，便于临床医生使用。不过，研究也存在一些局限性，如横断面设计无法推断因果关系、抑郁评估依赖自我报告可能有偏差等。但总体而言，这项研究为 CKD 患者抑郁风险的预测和早期干预提供了新的思路和方法，为后续研究奠定了基础，有望推动该领域的进一步发展，对改善 CKD 患者的心理健康状况具有重要的指导意义。
