居住绿地邻近性与城市中年成年人抑郁症状减少相关：一项机器学习研究

《Psychological Medicine》：Greater proximity to greenspace is associated with fewer depressive symptoms among urban middle-aged adults

　　

摘要翻译：
背景
了解影响抑郁的因素对其治疗和预防至关重要。居住绿地因其在缓解抑郁症状方面的潜在作用而受到越来越多的关注。然而，传统统计方法从根本上受限于评估绿地暴露与抑郁风险之间的简单双变量关联，忽视了关键健康相关因素之间的复杂交互作用，也未能全面评估绿地相对于其他影响因素的相对重要性。
方法
研究人员采用机器学习(ML)方法，评估了包括绿地在内的多种因素对1,542名城市中年成年人抑郁症状发展的影响，数据来源于中国健康与养老追踪调查(CHARLS)，抑郁症状采用10项流行病学研究中心抑郁量表(CES-D10)进行测量。每个受试者的个体绿地暴露水平通过NASA卫星数据库获取的植被指数进行量化。
结果
在五种ML模型中，支持向量机(SVM)模型达到了最佳预测性能，受试者工作特征曲线下面积(AUC)为0.776。生活满意度、EVI_250m（绿地度量指标）、社交活动、疼痛、睡眠时长和工具性日常生活活动能力(IADL)受损是抑郁症状的显著性预测因子。ML模型识别的EVI_250m表明，居住地更靠近绿地与抑郁症状更大程度的减少相关。此外，Shapley加法解释(SHAP)值证实，绿地在所有影响因素中排名靠前。
结论
居住绿地与更少的抑郁症状相关，并在所考察的健康相关变量中位列最具影响的因素之一。绿地距离居住区域越近，其潜在的有利关联似乎越强。

论文解读文章

抑郁症作为一种常见的精神障碍，给个人、社会和经济带来了沉重负担，已成为全球疾病负担的主要原因之一，影响全球超过3.5亿人。大量证据表明，抑郁症与高血压、心脏病、肥胖、卒中、糖尿病乃至全因死亡率的风险增加有关。在环境因素中，居住绿地被定义为人类生活环境的重要组成部分，包括公园、花园、城市绿化、街道树木等。越来越多的流行病学证据提示，绿地暴露与全因死亡率降低、心血管疾病减少、糖尿病风险下降及心理状态改善等健康益处显著相关。然而，此前关于绿地与抑郁症状关系的研究大多依赖于宏观层面的城市统计数据来判断个体是否居住在绿地环境中，这种方法难以准确反映人群真实的绿地暴露程度。更重要的是，传统统计方法在本质上受限于评估绿地和抑郁风险之间的简单双变量关联，无法充分捕捉多个健康相关因素与绿地之间的复杂交互作用，也难以综合评估绿地在多因素框架下的相对重要性。鉴于城市规划加速、植被退化以及抑郁症多因素致病的特点，亟需引入能够处理复杂交互关系并评估各变量相对贡献的分析框架。因此，本研究基于中国城市中年成年人队列，利用机器学习(ML)方法，旨在识别抑郁症的影响因素，并重点评价居住绿地在这些因素中的地位及其对抑郁症状的预测作用，从而为抑郁症的环境干预和公众健康促进提供更有力的科学证据。

研究人员利用了中国健康与养老追踪调查(CHARLS)2018年第四轮数据，经严格排除后最终纳入1,542名城市中年成年人（45–60岁）。抑郁症状评估采用10项流行病学研究中心抑郁量表(CES-D10)，以10分作为划分潜在抑郁症状的临界点。个体绿地暴露水平基于NASA中分辨率成像光谱仪(MODIS)卫星数据，分别计算归一化植被指数(NDVI)和增强植被指数(EVI)在居住地周边250 m、500 m和1 km缓冲区的均值，从而获得包括NDVI_250m、NDVI_500m、NDVI_1km、EVI_250m、EVI_500m和EVI_1km在内的六个植被指数变量。人口学特征和健康相关特征从CHARLS数据库中提取，涵盖年龄、婚姻状况、性别、宗教、慢性病、住院史、疼痛、睡眠时长、社交活动、IADL受损情况、生活满意度等多个维度。在分析流程上，研究人员首先对人口学特征进行卡方检验，然后采用最大相关最小冗余(mRMR)算法在训练集中对健康相关特征和绿地特征进行初步筛选，之后结合五折交叉验证，分别构建支持向量机(SVM)、多层感知器(MLP)、随机森林(RF)、朴素贝叶斯(NB)和逻辑回归(LR)五种机器学习模型，以AUC等指标评估模型性能，并运用Shapley加法解释(SHAP)方法解析最优模型的特征贡献。

研究结果显示，在纳入研究的1,542名城市中年成年人中，623人（40.40%）表现出抑郁症状。大多数参与者已婚（92.74%），48.90%的人至少患有一种慢性疾病。在训练集中，性别和慢性病患病率在有无抑郁症状人群之间存在显著差异（P < 0.05），提示城市中年女性及患有慢性疾病的个体更易出现抑郁症状。在特征选择与关键预测因子识别环节，受试者工作特征曲线下面积(AUC)提示五种机器学习模型在纳入六个特征时预测性能最佳，这六个特征分别为生活满意度、EVI_250m、社交活动、疼痛、睡眠时长和工具性日常生活活动能力(IADL)受损。这些结果表明，健康相关特征和绿地特征能够为预测城市中年成年人抑郁症状提供重要信息。在模型预测性能比较中，SVM模型在验证集上取得了最优的预测效果，AUC为0.763，准确率为0.734；当进一步将性别和慢性病两个人口学特征加入模型后，SVM模型的AUC提升至0.776，准确率为0.739。不过，加入人口学特征仅带来边际性能提升，说明健康相关特征和绿地指标才是更核心的预测因素。在绿地重要性评估环节，SHAP值分析显示，尽管不同模型的特征重要性排序存在差异，但绿地在所有五种模型中均稳定位于最重要的预测因子之列；特别地，EVI_250m在所有影响因素中排名靠前。SHAP摘要图进一步表明，较高的EVI_250m值总体上与较低的预测抑郁症状风险相关，即居住地周边250 m缓冲区内的绿地覆盖率与抑郁症状呈负相关。具体而言，生活满意度、睡眠时长、EVI_250m、社交活动和性别与抑郁症状呈负相关，而其余变量与抑郁症状呈正相关。

在讨论部分，研究人员指出，SVM模型在本研究中的预测性能优于以往使用RF、LR和XGBoost预测抑郁症的研究（AUC在0.700至0.712之间），提示基于该策略的预测方法具有可靠性和可行性。不同于以往研究将绿地作为孤立的单一因素，本研究通过多种ML模型和SHAP解释框架，将绿地与人口学、行为、健康相关因素放在一起综合评价，揭示了EVI_250m在预测抑郁症状方面的重要地位。结合已有证据，研究人员发现绿地与抑郁症状之间的负向关联随着缓冲区距离的缩小而增强，这与国外研究在250 m缓冲区而非1 km缓冲区观察到更强关联的结果相一致。在机制层面，既有研究提示，自然环境暴露能够降低前额叶皮质神经活动、促进生物应激恢复，从而产生“舒适放松”的主观感受，这为绿地的心理健康益处提供了生理学线索。此外，生活满意度、社交活动、睡眠时长、疼痛和IADL受损等健康相关因素也分别与抑郁症状存在已知的关联模式，如睡眠时长与抑郁呈U型关系，疼痛加剧心理困扰，IADL受损提升抑郁风险等。限于横断面设计，本研究无法确立因果关系；植被指数本身存在光谱饱和、尺度依赖、无法区分植被类型等局限；同时，250–1,000 m缓冲区范围未能涵盖更小尺度（如自家花园）和更大尺度（如城市公园）绿地的暴露效应；空间自相关未作调整，样本集中于中国城市中年成年人，结论的外部推广性受限。

总而言之，本研究基于CHARLS队列和MODIS遥感数据，运用多种机器学习模型和SHAP解释方法，揭示了居住绿地与城市中年成年人抑郁症状减少之间的显著关联，且这种关联在距离居住区域更近时更强。在众多健康相关与人口学因素中，绿地被确定为一项重要的保护性预测因子。未来研究应优先通过纵向设计和随机对照试验，并结合多水平环境数据和空间模型，以进一步验证及拓展本研究的发现。