跨国中老年人群抑郁症状的社会经济决定因素：基于机器学习的多队列研究

本研究针对全球老龄化背景下中老年抑郁症状的复杂成因，采用XGBoost和LightGBM等六种机器学习算法，结合SHAP解释框架，分析了HRS、ELSA、SHARE、CHARLS和MHAS五大跨国队列68,372名中老年人的数据。研究发现自评健康（self-rated health）是抑郁的核心预测因子（AUC 0.7677-0.9011），同时揭示收入与性别差异导致的风险异质性，为制定精准化干预策略提供数据支撑。

　　

随着全球老龄化进程加速，60岁以上人口预计2050年将达21亿，抑郁症状已成为重大公共卫生挑战。现有研究表明，10-20%的老年人受抑郁困扰，但其成因涉及生物-心理-社会多维度因素的复杂交互，传统线性模型难以捕捉这种非线性关系。更棘手的是，不同收入群体和性别间存在显著差异——低收入女性往往面临经济不稳定、医疗资源匮乏等多重压力，但现有研究缺乏对这类异质性的系统解析。

中国的研究团队通过整合五大跨国老龄化队列（HRS、ELSA、SHARE、CHARLS、MHAS）的68,372份样本，采用机器学习破解这一难题。研究团队特别选用XGBoost和LightGBM等六种算法构建预测模型，结合SHAP（SHapley Additive exPlanations）框架实现模型可解释性。这些技术手段不仅能处理高维数据中的非线性关系，还能量化各特征对预测结果的贡献度。样本来自16个国家50岁以上人群，通过SMOTE技术解决数据不平衡问题，最终筛选15个核心变量涵盖人口统计学、生活方式和健康状态等维度。

模型性能评估

XGBoost在CHARLS（AUC 0.7677）、SHARE（0.8577）、HRS（0.8771）和MHAS（0.7782）表现最优，而LightGBM在ELSA创下0.9011的AUC值。所有模型均通过ROC曲线和F1分数（0.5787-0.8942）验证，SMOTE处理使召回率显著提升。

关键预测因子识别

自评健康在四国队列中贡献度最高（SHAP值+0.50至+0.81），唯独墨西哥MHAS队列以性别（+0.31）为主导。慢性病状态、ADL/IADL（日常生活活动能力）功能限制及教育程度等构成次要预测层，但吸烟、饮酒等生活方式因素影响相对较弱。

收入与性别异质性

低收入群体中，家庭财富（+0.79）、就业状态和数字排斥（digital exclusion）的影响被放大；中等收入女性则因"夹心层效应"呈现独特风险模式——既缺乏高收入家庭的经济缓冲，又缺失低收入社区的社会支持网络。

这项发表于《npj Digital Medicine》的研究，首次通过机器学习全景式揭示抑郁症状的多维驱动机制。其创新性体现在三方面：一是突破传统线性模型局限，捕捉到自评健康作为"心理-生理整合器"的核心作用；二是发现数字排斥等新兴社会决定因素；三是构建出可迁移的预测框架，为各国制定差异化干预策略提供依据。例如针对墨西哥应侧重性别平等政策，而中国需加强低收入群体数字包容建设。研究也存在横断面设计难以推断因果、未纳入医疗政策等宏观因素的限制，未来需通过纵向追踪完善模型动态预测能力。

（注：全文严格依据原文数据，专业术语如ADL=Activities of Daily Living日常生活活动能力、IADL=Instrumental Activities of Daily Living工具性日常生活活动能力均按原文格式保留大小写和缩写）