机器学习预测中年首发抑郁症：基于多模态生物标志物的前瞻性队列研究

这篇综述创新性地应用机器学习（ML）算法（逻辑回归/弹性网络/随机森林/XGBoost），前瞻性预测35-66岁人群首发重性抑郁障碍（MDD）。研究通过嵌套交叉验证评估模型性能（PRAUC 0.36-0.38，AUC 0.65-0.68），发现神经质、性别和年龄是关键预测因子，决策曲线分析（DCA）显示模型在10-40%阈值概率区间具有临床实用性，为抑郁症早期干预提供了新思路。

　　

Abstract

研究团队利用机器学习（ML）模型前瞻性预测重性抑郁障碍（MDD）的首发风险。作为最常见且致残性高的精神疾病，MDD的早期预测对干预至关重要。现有研究存在方法异质性和临床实用性验证不足的问题。本研究基于瑞士洛桑的CoLaus|PsyCoLaus人群队列，纳入1350名35-66岁基线无MDD的受试者，采用逻辑回归、弹性网络、随机森林和XGBoost四种算法，整合心理社会、环境、生物和遗传等多维度预测因子。通过嵌套交叉验证评估显示，模型判别性能相当（PRAUC 0.36-0.38；AUC 0.65-0.68），决策曲线分析提示在10-40%阈值概率区间具有临床价值。神经质、性别和年龄是跨模型一致的重要预测因子。

Introduction

MDD影响全球38.2%的欧盟人口，其多因素病因涉及生物-心理-社会模型。尽管已知儿童期虐待、肥胖等风险因素，但现有预测研究多局限于特定人群（如军人、帕金森患者），且缺乏生物标志物整合。本研究创新性地将白细胞介素-6（IL-6）、肿瘤坏死因子-α（TNF-α）等炎症指标与多基因风险评分（PRS）纳入预测体系，填补欧洲中老年人群的研究空白。

Materials and methods

研究数据来自CoLaus|PsyCoLaus队列，最终纳入1350名高加索人种。通过半结构化诊断访谈（DSM-5标准）确认MDD结局，基线评估29个候选预测因子，包括12个分类变量（如婚姻状态、焦虑障碍）和17个连续变量（如BMI、hs-CRP）。采用mlr3框架实施4×25次内循环超参数调优和10×10次外循环性能验证，以PRAUC作为优化指标。

Results

模型性能分析显示，弹性网络略优（PRAUC 0.38），但四模型差异微小。值得注意的是：

1. 校准曲线显示概率>0.4时存在过度预测（XGBoost除外）
2. 神经质的置换重要性评分最高（分类误差增加12.5%）
3. 生物标志物（如IL-1β）和PRS未显著提升性能
   决策曲线分析揭示，在22%发病率阈值时，模型可额外识别3-7例真阳性/100例预测。

Discussion

与巴西ELSA研究（AUC 0.71）和美国NESARC研究相比，本研究首次在欧洲中老年群体验证ML预测MDD的可行性。意外发现是：

• 非线性模型（随机森林/XGBoost）未显现优势
• 炎症标志物与特定MDD亚型的已知关联未转化为预测增益
  研究局限性包括回忆偏倚（尤其神经质评分可能混杂未报告的抑郁史）、样本局限于城市高加索人群等。未来建议整合生态瞬时评估（EMA）和神经影像数据，但需权衡临床实用性。

该研究为计算精神病学领域提供了重要范式，证明即使采用复杂算法，MDD预测仍面临"精度天花板"。如何将统计学性能转化为临床行动力，仍是未来研究的核心挑战。