基于逻辑回归与SHAP可解释性的中老年胃肠道疾病患者抑郁筛查模型构建与内部验证

《BMC Psychiatry》：A parsimonious logistic-regression nomogram for depression risk screening in middle-aged and older patients with gastrointestinal diseases: a cross-sectional CHARLS study with ML-Style comparison and SHAP visualization

　　

摘要

背景

抑郁在中老年胃肠道疾病（GID）患者中很常见，影响着预后和成本，但缺乏实用的筛查工具。我们旨在开发并内部验证一个简约的筛查模型，用于同时筛查抑郁风险，使用具有全国代表性的数据，并比较带有SHAP可解释性的机器学习算法。

方法

这项横断面研究使用了CHARLS 2018年数据，包括1,269名年龄≥45岁的胃肠道疾病患者。抑郁症状：CES-D-10评分≥10。预测变量通过混合Boruta和LASSO回归方法选择。比较了六种机器学习算法，超参数通过10折交叉验证进行调节。模型性能通过AUC、准确率、敏感度、特异度、F1分数、校准曲线和决策曲线分析（DCA）进行评估。SHAP（SHapley Additive exPlanations）框架提供了可解释性。

结果

特征选择保留了六个核心预测变量。其中，逻辑回归（LR）在验证队列中展现了最佳泛化能力，达到AUC 0.697（95% CI: 0.644–0.748），准确率0.651，敏感度0.722，特异度0.583，F1分数0.670。AUPRC（0.671）超过了基线患病率（0.492）。校准合理（Brier = 0.225; HL检验 p = 0.614），DCA在20-70%阈值范围内显示出净获益。SHAP贡献度排名依次为：健康状况、Twbp、性别、IADL、睡眠时间和ADL。

结论

我们开发了一个基于LR的列线图，使用六个临床变量筛查中老年胃肠道疾病患者的抑郁症状。该模型显示出中等内部区分度，可作为辅助筛查工具用于同时识别抑郁症状和及时整合护理，但仍亟需外部验证。