编辑推荐：
在健康研究领域，多 orbidity（个体同时患两种或更多疾病）对医疗及研究构成挑战。为探究其与后续抑郁的关联，研究人员分析英国生物银行数据。结果显示特定多 orbidity 组与抑郁风险相关，这为深入理解两者关系提供依据，助力医疗干预。
在人口老龄化加剧的当下，多 orbidity 现象愈发普遍。一个人同时患有两种或更多长期疾病，这不仅给现有医疗系统带来沉重负担，也为医学研究出了一道难题。而且，越来越多的研究发现，身体健康状况与心理健康之间存在着千丝万缕的联系，抑郁作为一种常见的精神疾病，在患有特定慢性身体疾病的人群中更为高发，如心血管疾病、多发性硬化症等。但究竟不同组合或模式的身体疾病，是否会与抑郁有着更为紧密的联系呢？此前的研究往往存在方法单一、数据处理不恰当等问题，难以给出全面且准确的答案。为了深入剖析这一复杂的健康谜题，来自英国爱丁堡大学（University of Edinburgh）的研究人员展开了一项极具意义的研究。他们的研究成果发表在《Communications Medicine》上，为我们进一步了解多 orbidity 与抑郁之间的关系提供了关键线索。
研究人员开展此项研究时，运用了多种关键技术方法。首先，他们使用英国生物银行（UK Biobank）中 37 - 73 岁参与者的数据，这些数据涵盖了人口统计学、生活习惯、健康状况等多方面信息 。接着，针对 69 种长期身体疾病和抑郁情况，研究人员利用已有的诊断代码从基线访视、全科医生（GP）、医院和癌症登记记录中确定疾病的存在。在聚类分析方面，研究人员探索了 k - modes、k - medoids、潜在类别分析（LCA）和凝聚层次聚类（AHC）这四种适用于二元数据的聚类方法，并通过多种性能指标进行评估。最后，使用 Cox 回归模型进行生存分析，以探究不同多 orbidity 聚类与后续抑郁诊断之间的关联。
研究结果
- 聚类方法性能比较：研究人员对四种聚类方法进行评估，结果显示基于 k - modes 模型的聚类在多个指标上表现最佳。例如，在 Calinski 和 Harabasz 得分（得分越高越好）方面，k - modes 模型在整体队列、女性队列和男性队列中都取得了较高的分数；在 Davies - Bouldin 得分（得分越低越好）上，k - modes 模型与 k - medoids 模型表现相近，但 k - medoids 模型在整体队列和男性队列中存在较多单例集群，使得结果的信息性和一致性较差。综合考虑，研究人员选择 k - modes 模型进行后续分析。
- k - modes 聚类中身体疾病的差异表现：通过 k - modes 聚类分析，研究人员发现多个聚类中显著过度代表的疾病与身体系统相关。例如，在整体队列中，“混合包括癌症”“健康 + 鼻炎”“心血管疾病（CVD） + 糖尿病” 和 “非常广泛的疾病” 是四个最大的聚类。不同性别队列的聚类也存在差异，如女性队列中有 “肌肉骨骼（MSK）” 聚类，男性队列中有 “MSK + 其他” 聚类 。
- 各聚类与后续抑郁的关联：对无抑郁病史的参与者进行平均 6.8 年的随访，期间有 5904 名（4.2%）参与者被新诊断为抑郁。研究发现，有身体疾病的参与者比无身体疾病的参与者后续患抑郁的比例更高。不同聚类与抑郁的关联程度不同，“非常广泛的疾病” 聚类在所有队列中与抑郁的关联最强，而 “健康 + 鼻炎” 和 “混合包括癌症” 聚类与抑郁的关联相对较弱 。同时，整体上与抑郁的关联似乎随着每个参与者疾病数量的增加而增加，但也存在例外，如整体队列中的 “黄斑变性 + 糖尿病” 聚类，疾病数量较多但与抑郁的关联较弱。
研究结论与讨论
本研究通过系统探索适用于二元数据的四种聚类方法，发现 k - modes 方法表现最佳，且识别出的聚类与已知的疾病关联相符。研究表明，有身体疾病的人比无身体疾病的人更易患抑郁，不同聚类与抑郁的关联存在差异，这可能部分由聚类中的疾病数量差异导致。然而，该研究也存在一定局限性。数据来源于志愿者，其经济状况普遍优于英国平均水平，少数族裔代表性不足。研究未考虑仅女性患有的泌尿生殖系统疾病，且缺乏评估聚类有效性的标准方法。此外，由于数据访问时间有限，未能与其他聚类方法的结果进行比较，后续还需在其他数据集上进行验证研究。但不可否认的是，这项研究为多 orbidity 与抑郁关系的研究开辟了新的方向。它提醒我们，在关注身体健康的同时，也要重视心理健康，尤其是对于患有多种身体疾病的人群，应加强对抑郁风险的监测和干预。未来的研究可以进一步探讨其他潜在因素，如社会因素、遗传因素等在多 orbidity 与抑郁关联中的作用，从而为制定更有效的预防和治疗策略提供更坚实的理论基础 。
