中国广东省成人焦虑抑郁共病（CAD）影响因素的大规模横断面研究——失眠、饮食不规律、电子设备使用时间与风险分层的关联分析

《Brain and Behavior》：An Analysis of Factors Influencing Comorbid Anxiety and Depression Among Adults in China: A Large-Scale Cross-Sectional Study

　　

背景：焦虑抑郁共病（CAD）较为常见，但影响该共病的因素尚未得到全面研究。本研究旨在探讨中国广东省居民社会人口学和行为因素与CAD的关联。方法：开展横断面研究，向广东省18岁及以上常住居民发放包含抑郁筛查量表（PHQ-9）、焦虑筛查量表（GAD-7）和失眠严重指数（ISI）的问卷。采用Logistic回归和决策树建模构建模型，以识别与成人CAD相关的因素。结果：基于广东省精神健康数据库中51,774名参与者的样本，比较四组：健康（n=48,657）、单纯焦虑（n=285）、单纯抑郁（n=1,677）和CAD（n=1,155）。性别、年龄、地区、失眠、体质指数（BMI）、教育、婚姻状况、收入、吸烟、饮酒、饮食规律性、锻炼频率、电子设备使用、每日步数、久坐时间和躯体慢性病在四组间差异显著（p<0.05）。在单变量分析中，与CAD（相对于健康）相关的因素包括女性、较年轻、城市居住、失眠、饮食不规律、电子设备使用时间延长、久坐时间延长和缺乏锻炼。多变量分析显示，失眠（OR=14.64，95%CI：12.49–17.15）、饮食不规律（OR=2.96，95%CI：2.45–3.58）、电子设备使用时间延长（OR=1.78，95%CI：1.51–2.11）、躯体慢性病（OR=1.59，95%CI：1.38–1.82）和女性（OR=1.19，95%CI：1.04–1.37）与CAD风险升高独立相关（均p<0.05）。年龄较大、已婚/同居、较高收入、偶尔或规律锻炼、适度步数、适度久坐时间为保护因素（ORs 0.41–0.80，均p<0.05）。地区、吸烟和BMI未保留在多变量模型中。Logistic回归模型的曲线下面积（AUC）为0.866（95%CI：0.845–0.886），决策树模型的AUC为0.839（95%CI：0.818–0.860）。Hosmer–Lemeshow检验显示Logistic模型校准良好（χ²=2.09，df=3，p=0.553）。结论：这项大型横断面研究表明，失眠、饮食不规律、设备使用时间延长和躯体慢性病与CAD风险增加相关。Logistic回归模型显示出良好的区分能力，决策树可作为可视化风险分层的探索性工具。需要进一步前瞻性研究评估预测效用。

1 引言
焦虑与抑郁常共存，构成焦虑抑郁共病（CAD），其健康结局、功能损害和疾病负担较单一障碍更重。既有研究多集中于特定人群或较小样本，针对中国一般成年人群的大样本研究仍较少。本研究利用广东省大规模流行病学调查数据，采用Logistic回归和决策树识别与CAD相关的社会经济、慢性病负担、睡眠质量和健康行为因素，并为后续纵向或机制研究提供基础。

2 材料与方法
2.1 研究设计与样本选择
本研究为广东省精神卫生中心指导下的横断面调查，于2022年10月至12月采用多阶段分层等概率抽样，覆盖广东省21个地级市18岁及以上常住居民。抽样按地级市—区（县）—街道/乡镇—村（居）委会—住户逐级进行，并在年龄和性别上分层，最终纳入51,774名参与者。
2.2 纳入与排除标准
纳入年龄≥18岁、当地居住≥6个月、自愿参加并签署知情同意者；排除无自评能力、拒绝参加及非广东户籍者。
2.3 测量
问卷包括社会人口学、行为因素和慢性病信息。抑郁采用抑郁筛查量表（PHQ-9）评估，总分0–27分，≥10分定义为抑郁阳性；焦虑采用焦虑筛查量表（GAD-7）评估，总分0–21分，≥10分定义为焦虑阳性；失眠采用失眠严重指数（ISI）评估，总分0–28分，≥8分定义为存在失眠。躯体慢性病依据自报、医生诊断条目，并排除失眠、阻塞性睡眠呼吸暂停综合征、抑郁、焦虑障碍、双相障碍、精神分裂症等10种精神或睡眠相关疾病，以避免与结局重叠。
2.4 CAD定义
PHQ-9≥10且GAD-7≥10者定义为CAD；两者均<10者为健康；仅满足其一者为单纯抑郁或单纯焦虑。
2.5 统计分析
采用R软件（4.4.1）分析。正态分布连续变量以均数±标准差表示并采用单因素方差分析，非正态分布以中位数（P25，P75）表示并采用Kruskal–Wallis检验，分类变量以频数（%）表示并采用χ²检验。先进行单变量Logistic回归筛选（p<0.10进入多变量），再以前进逐步法构建多变量模型（入p<0.05，出p>0.10），并以方差膨胀因子（VIF）评估共线性。构建列线图（nomogram）、受试者工作特征（ROC）曲线和校准曲线，采用Hosmer–Lemeshow检验评价校准。另以分类与回归树（CART）算法建立决策树，父节点和子节点最小病例数分别为400和100，拆分与合并检验α=0.05，变量重要性以Gini指数下降衡量。敏感性分析排除报告任一精神或睡眠相关状况者后重新拟合多变量模型。

3 结果
3.1 基线特征
共纳入51,774名参与者，其中健康48,657名、单纯焦虑285名、单纯抑郁1,677名、CAD 1,155名。与健康组相比，CAD组女性比例更高（59.22% vs. 52.89%），45岁以下者比例更高（75.06% vs. 54.40%），城市居民比例更高（72.99% vs. 60.79%），失眠比例更高（82.86% vs. 19.91%），大学及以上教育比例更高（52.12% vs. 34.52%），饮食不规律比例更高（17.92% vs. 2.71%），从不锻炼比例更高（70.13% vs. 52.79%），每日电子设备使用>6 h比例更高（26.67% vs. 8.36%），并且躯体慢性病比例更高（36.88% vs. 24.53%）。性别、年龄、地区、失眠、体质指数（BMI）、教育、婚姻状况、收入、吸烟、饮酒、饮食规律性、锻炼频率、电子设备使用、每日步数、久坐时间和躯体慢性病在四组间差异显著（p<0.05）。
3.2 Logistic回归
多变量模型中，失眠与CAD的关联最强（OR=14.64，95%CI：12.49–17.15，p<0.001）；饮食规律性呈梯度关联（较规律：OR=1.55，95%CI：1.28–1.87；不规律：OR=2.96，95%CI：2.45–3.58）；电子设备使用亦呈梯度关联（4–6 h：OR=1.25，95%CI：1.04–1.49；>6 h：OR=1.78，95%CI：1.51–2.11）。女性（OR=1.19，95%CI：1.04–1.37）、大学及以上教育（OR=1.21，95%CI：1.01–1.45）和当前饮酒（OR=1.23，95%CI：1.04–1.45）也与CAD风险升高相关。年龄增长与CAD风险降低相关（30–44岁：OR=0.75；45–59岁：OR=0.59；≥60岁：OR=0.41）；已婚/同居（OR=0.77，95%CI：0.65–0.91）、家庭人均月收入≥6000元（OR=0.76，95%CI：0.64–0.90）、偶尔或规律锻炼（OR=0.71和0.72）、每日3000–6999步（OR=0.76，95%CI：0.63–0.91）为保护因素。久坐时间呈非线性关联：1–5 h/日OR=0.80（95%CI：0.68–0.95），≥6 h/日OR=1.21（95%CI：1.03–1.42）。地区、吸烟和BMI未保留在最终模型中。
3.3 列线图
基于多变量Logistic模型构建列线图（nomogram）以可视化CAD估计概率。各变量按类别对应分值，失眠贡献最大，其次为饮食不规律、女性、躯体慢性病等风险因素；总分对应个体CAD估计概率。
3.4 决策树模型
CART决策树变量重要性排序为失眠（100%）、饮食习惯（22.07%）、电子设备时间（18.19%）、久坐时间（17.02%）、躯体慢性病（15.87%）和婚姻（14.81%），与Logistic回归结果一致，提示失眠和饮食是树结构的主要驱动因素。
3.5 模型性能与校准
Logistic回归模型AUC为0.866（95%CI：0.845–0.886），敏感度0.830，特异度0.792；决策树模型AUC为0.839（95%CI：0.818–0.860），敏感度0.865，特异度0.718。DeLong检验显示Logistic模型显著优于决策树（AUC差0.026，95%CI：0.012–0.041，p<0.001）。Hosmer–Lemeshow检验示Logistic模型校准良好（χ²=2.09，df=3，p=0.553）。
3.6 敏感性分析
排除报告任一精神或睡眠相关状况者后，躯体慢性病仍与CAD相关（校正OR=1.43，95%CI：1.21–1.70），与单纯焦虑（OR=1.62）和单纯抑郁（OR=1.38）亦相关。采用不同暴露定义时结果稳健：考虑G15全部报告疾病时CAD的OR=2.16（95%CI：1.90–2.47）；四分类分析中，仅躯体疾病（OR=1.37）及躯体合并精神/睡眠疾病（OR=4.38）均高于无相应疾病者。单一疾病分析中，15种疾病有9种与CAD风险升高相关，较显著者包括白内障或青光眼（OR=3.39）、慢性肝炎或肝硬化（OR=2.53）、心血管疾病（OR=2.43）、慢性胃炎或溃疡（OR=2.23）和椎间盘疾病（OR=2.07）；高血压、糖尿病和脑血管病未显示显著关联。

4 讨论
4.1 基本人口学变量对CAD的影响
本样本CAD患病率为2.23%，低于部分特定人群研究，可能与地区经济水平、年龄构成、问卷和调查方式有关。CAD风险随年龄增长而降低，与部分研究一致，也可能与老年人生活相对稳定、养老条件改善及年轻人竞争压力较大有关。女性在单变量和多变量分析中均与CAD风险升高相关，焦虑和抑郁单独分析亦呈类似模式。已婚/同居与较低CAD风险相关，可能与社会支持、经济保障和健康行为相互影响有关；离婚/丧偶未显著相关，但该亚组仅占4.3%，估计不精确。
4.2 低水平体力活动状态对CAD的影响
每日电子设备使用≥6 h及久坐≥6 h者CAD风险显著升高，且随暴露时间延长而增强。长时间使用电子设备减少现实互动、锻炼和兴趣爱好等有益心理健康的时间；久坐亦使居民处于低体力活动状态，尤其每日久坐超过6 h者风险更高。低体力活动与较少锻炼时间相关，而增加现实环境互动可能有助于缓解抑郁和焦虑。
4.3 饮食不规律与CAD的关联
饮食不规律在决策树中位于二级节点，是判断CAD的重要变量；列线图中不规律饮食贡献分值明显高于规律饮食。饮食不规律（包括暴饮暴食）可能体现情绪性进食，用于应对压力、焦虑、抑郁等负性情绪。规律饮食不仅有助于良好休息模式，也是身体健康的重要保障，提示可通过提高居民饮食规律意识、改善生活质量等多渠道促进心理健康。
4.4 与CAD相关的躯体慢性病
躯体慢性病与CAD相关，且在排除任一精神或睡眠相关状况的敏感性分析中仍稳健。慢性病因病因复杂、病程长、难以治愈并干扰日常生活，可能使患者难以缓解抑郁情绪，从而诱发CAD。这提示应提供简明便捷的心理健康识别指导，促进居民提高心理健康意识、及时识别和早期诊治。
4.5 失眠与CAD密切相关
失眠在Logistic回归中关联最强（OR=14.64，95%CI：12.49–17.15），也是决策树首个分裂变量；饮食不规律和电子设备使用等可改变因素虽参与风险分层，但影响明显较小，提示睡眠障碍是该人群CAD风险的主要判别因素。该发现强调睡眠与生活方式因素对心理健康的重要性，并提示社区常规筛查失眠症状有助于识别CAD高风险个体；但横断面设计下不能解释为因果或预测关系。
4.6 研究局限与未来研究方向
本研究为横断面研究，仅能说明影响因素与CAD的相关性，不能建立因果关系；问卷形式可能引入信息偏倚；慢性病来自自报、医生诊断清单而非医院记录或ICD编码，缺乏血压、血脂、肾功能和用药等客观测量，不能排除自报慢性病错分；研究对象为广东省特定地区居民，存在地理局限。因此所有发现应解释为横断面关联，而非预测因子或因果因素；需纵向研究评估时间关系，并在全国范围验证。

5 结论
本大型横断面研究发现，失眠、饮食不规律、电子设备使用时间延长、久坐时间延长、躯体慢性病和女性与CAD风险升高相关；年龄较大、较高家庭收入、已婚/同居和体育锻炼与较低风险相关。Logistic回归模型具有良好内部区分能力，决策树可提供探索性风险分层可视化。上述结果为关联而非因果决定因素，需前瞻性研究和外部验证确认，并探索潜在机制。