基于社会与环境健康决定因素的机器学习模型预测中老年心血管-肾脏-代谢综合征患者抑郁风险

本研究针对中国中老年心血管-肾脏-代谢综合征(CKM)患者，通过CHARLS纵向队列数据构建了10种机器学习预测模型，首次揭示了NO2 在关节炎与抑郁结局间的中介作用（占比10.09%），发现自评健康状况、NO2 暴露等9个核心预测因子，并开发了可视化预测工具，为制定精准干预策略提供新依据。

　　

心血管-肾脏-代谢综合征(CKM)作为一种新兴的全身性疾病，正成为威胁中老年人群健康的"隐形杀手"。这种综合征以心血管系统、慢性肾脏病和代谢风险因素之间的复杂病理生理交互为特征，在中国中老年人群中的患病率居高不下。更令人担忧的是，这类患者常伴随抑郁症状，形成"躯体-心理"双重负担。然而，传统研究多聚焦于生物医学因素，忽视了社会与环境健康决定因素(SEDoH)这一关键维度。空气污染、经济压力、居住条件等外部因素如何影响CKM患者的心理健康？这些因素之间是否存在潜在的作用通路？这些问题成为当前研究的空白地带。

南方医科大学公共卫生学院的研究团队通过分析中国健康与养老追踪调查(CHARLS)2011-2015年纵向数据，首次将社会与环境因素纳入CKM患者抑郁风险的预测体系。研究纳入3220名45岁及以上CKM患者，采用Boruta算法从125个初始变量中筛选出30个关键特征，构建了包含随机森林(RF)、Xgboost等10种机器学习模型的预测框架，并通过SHAP值解析模型可解释性。

研究主要采用四项关键技术方法：(1)基于CHARLS三波次纵向数据构建分析队列；(2)应用Boruta算法进行特征选择；(3)采用mlr3verse等R包构建10种机器学习模型并进行五折交叉验证；(4)使用mediation包进行NO₂
中介效应分析。模型评估综合采用Brier评分、AUROC、AUPR和决策曲线分析(DCA)等指标。

参与者特征
基线数据显示，抑郁组患者中女性占比显著更高(60.53% vs 44.34%)，农村居民比例(70.51% vs 61.40%)和低教育水平者(50.70% vs 37.24%)更易出现抑郁。值得注意的是，CKM分期与抑郁风险呈动态关联，2015年处于CKM 4期的患者抑郁发生率(19.66%)显著高于2期患者(37.64%)。

模型可解释性
SHAP分析揭示9个核心预测因子：自评健康、性别、NO₂
、精神状态、关节炎、衰弱指数、劣质建材住房、非住宅财富和总收入。其中NO₂
暴露呈现显著非线性效应，当城市年均浓度超过39.6μg/m³
时抑郁风险陡增，这一阈值远超WHO推荐标准(10μg/m³
)。

模型性能
在训练集中，RF模型表现最优(Brier评分最低)，而Xgboost在测试集展现最佳泛化能力。集成模型在25个月和45个月时间点的AUPR分别达0.941和0.947。DCA曲线证实RF模型具有最优临床适用性。

变量中介效应
突破性发现NO₂
在关节炎与抑郁间的中介作用：

• 总效应：-9.5162 (P<0.001)
• 直接效应：-8.5559 (P<0.001)
• 中介效应：-0.9602 (占比10.09%)
  这表明关节炎既可直接导致抑郁，也可通过加剧NO₂
  暴露的负面影响间接提升抑郁风险。

网页部署工具
研究团队开发了基于Shinyapps.io的在线预测平台，整合RF和Xgboost双模型，提供20/35/50个月三个关键时间点的抑郁风险可视化预测。

这项研究首次构建了整合社会-环境-生物多维因素的CKM患者抑郁预测模型，其创新价值体现在三方面：

1. 理论层面：证实NO₂
   在关节炎与抑郁间的中介通路，为"环境-炎症-心理"机制提供新证据；
2. 方法层面：通过可解释机器学习处理高维纵向数据，克服传统统计方法的局限性；
3. 实践层面：开发的预测工具可直接服务于基层医疗，指导针对高风险人群的早期干预。

研究者建议采取三项精准干预策略：增加城市绿化降低NO₂
暴露、将CKM纳入门诊特殊慢性病管理减轻经济负担、加强关节炎和消化系统疾病共病管理。这些发现为制定CKM患者心理健康促进政策提供了重要循证依据，也为探索社会环境因素与慢性病心理并发症的交互机制开辟了新思路。