中国中老年人抑郁症状的异质性轨迹及核心症状网络分析：基于CHARLS队列的纵向研究

本研究针对中国中老年人抑郁症状的动态变化规律，通过中国健康与养老追踪调查(CHARLS)四期纵向数据(2011-2018)，采用组基轨迹模型(GBTM)识别出"稳定低"(66.4%)、"先降后升"(27.8%)和"持续上升"(5.8%)三类异质性轨迹，并运用交叉滞后网络模型(CLPN)发现"抑郁情绪"为核心症状，受"孤独感"和"行为启动困难"动态预测。研究为精准干预提供了新靶点。

　　

随着中国老龄化进程加速，中老年人抑郁症状已成为重大公共卫生问题。现有研究表明，13-41%的中老年人存在抑郁症状，这些症状不仅导致情感痛苦、医疗成本增加，还与自杀风险升高和多种原因导致的死亡率上升密切相关。更棘手的是，抑郁症状在不同人群中表现出显著异质性——有的长期稳定，有的波动变化，有的持续恶化。这种复杂性使得传统"一刀切"的干预措施效果有限，亟需揭示症状发展的内在规律和核心驱动因素。

北京大学的研究团队基于中国健康与养老追踪调查(CHARLS)的全国性队列，对7,166名≥45岁受试者进行了长达7年的追踪(2011-2018)。通过10项流调中心抑郁量表(CESD-10)评估症状，创新性地结合组基轨迹建模(GBTM)和交叉滞后面板网络(CLPN)方法，首次系统描绘了中国中老年人抑郁症状的动态图谱。研究成果发表于《BMC Psychiatry》。

研究主要采用三项关键技术：1)利用GBTM分析四期CESD-10数据识别症状轨迹亚组；2)通过多变量logistic回归探究社会人口学预测因素；3)构建CLPN模型揭示症状间动态预测关系。所有分析均基于R语言完成，网络稳定性通过1,000次bootstrap检验验证。

轨迹亚群特征分析

GBTM模型识别出三类轨迹：大多数(66.4%)属于"稳定低"组；27.8%呈现"先降后升"的抛物线模式；5.8%为高风险"持续上升"组。多因素分析显示，女性、低教育水平、农村居民、未婚状态和自评健康差者更易归入恶化轨迹组(OR=1.92-3.72)。

症状网络动力学机制

CLPN分析揭示"抑郁情绪(depressed mood)"在所有亚组中均表现为核心症状(外向预期影响力r=1.104-2.034)。网络动力学显示，"感到孤独(felt lonely)"(β=0.159-0.270)和"行为启动困难(could not get going)"(β=0.159-0.270)可显著预测后续"抑郁情绪"加重，而"感到快乐(happy)"则呈保护性负向预测(β=-0.081至-0.200)。

中心性指标稳定性

Bootstrap检验证实网络结构稳健(相关系数稳定性CS>0.594)，节点差异检验显示"抑郁情绪"的中心性显著高于其他症状(DTs=0.610-0.920)。

该研究首次整合轨迹分析与网络方法，突破性地揭示了中国中老年人抑郁症状发展的"双维度规律"：宏观层面，社会人口因素决定轨迹归属；微观层面，特定症状(孤独感和行为抑制)通过激活核心症状"抑郁情绪"驱动网络恶化。这为精准干预提供了新思路——在政策层面需重点关注农村女性等高风险人群，在临床层面应针对性干预"孤独感"和"行为激活"这两个可改变的前驱症状。研究采用的CLPN模型为理解精神症状的复杂互动提供了方法论范式，其发现与抑郁症的行为激活理论高度吻合，为开发文化适应的干预方案奠定了科学基础。未来研究可进一步探索生物-心理-社会因素如何通过这些核心症状通路影响抑郁发展轨迹。