无牙老年人抑郁症状风险预测：基于可解释机器学习模型的诺模图构建与验证

《BMC Psychology》：Development and validation of an explainable machine learning model for predicting depressive symptoms in older adults with edentulism: a study based on the CHARLS cohort

　　

摘要

背景

在无牙的老年人中，抑郁症的发病率非常高，但目前尚不存在针对这一人群的专用预测工具。本研究旨在开发并验证一个可解释的机器学习模型，以估计无牙老年人同时出现具有临床意义的抑郁症状的概率。

方法

我们分析了2015年（N = 2,078）和2018年（N = 2,311）中国健康与退休纵向研究（CHARLS）的数据。采用了三种互补的特征选择方法（单变量逻辑回归、最小绝对值收缩与选择算子回归以及随机森林重要性排名）来识别稳健的预测因子。使用接收者操作特征曲线下面积（AUC）对五种机器学习算法进行了训练和比较。通过Shapley加性解释（SHAP）来解读该模型，并构建了一个诺模图以方便临床应用。决策曲线分析（DCA）用于验证诺模图的临床实用性。通过预测风险与实际抑郁状态的散点图来验证其区分高风险和低风险个体的能力。

结果

通过三种特征选择方法的交叉分析，确定了十二个关键预测因子。逻辑回归达到了最高的预测性能（训练AUC = 0.765，95%置信区间：0.703–0.815；验证AUC = 0.768，95%置信区间：0.749–0.787）。SHAP分析显示，生活满意度、日常生活活动能力受限（ADL）、自我评估的健康状况和睡眠时间是最具影响力的四个预测因子。构建了一个基于纸张的诺模图，整合了所有12个预测因子，以实现个性化概率估计。校准图和决策曲线分析证明了该诺模图的良好校准性和临床实用性。散点图确认了该模型在区分高于和低于阈值参与者方面的有效性。

结论

本研究提供了一种工具，用于估计无牙老年人同时出现具有临床意义的抑郁症状的概率。它可以作为分诊辅助工具，识别出需要接受直接症状筛查或转诊的患者。

背景

在无牙的老年人中，抑郁症的发病率非常高，但目前尚不存在针对这一人群的专用预测工具。本研究旨在开发并验证一个可解释的机器学习模型，以估计无牙老年人同时出现具有临床意义的抑郁症状的概率。

方法

我们分析了2015年（N = 2,078）和2018年（N = 2,311）中国健康与退休纵向研究（CHARLS）的数据。采用了三种互补的特征选择方法（单变量逻辑回归、最小绝对值收缩与选择算子回归以及随机森林重要性排名）来识别稳健的预测因子。使用了五种机器学习算法，并通过接收者操作特征曲线下面积（AUC）进行了比较。通过Shapley加性解释（SHAP）来解读该模型，并构建了一个诺模图以方便临床应用。决策曲线分析（DCA）用于验证诺模图的临床实用性。通过预测风险与实际抑郁状态的散点图来验证其区分高风险和低风险个体的能力。

结果

通过三种特征选择方法的交叉分析，确定了十二个关键预测因子。逻辑回归达到了最高的预测性能（训练AUC = 0.765，95%置信区间：0.703–0.815；验证AUC = 0.768，95%置信区间：0.749–0.787）。SHAP分析显示，生活满意度、日常生活活动能力受限（ADL）、自我评估的健康状况和睡眠时间是最具影响力的四个预测因子。构建了一个基于纸张的诺模图，整合了所有12个预测因子，以实现个性化概率估计。校准图和决策曲线分析证明了该诺模图的良好校准性和临床实用性。散点图确认了该模型在区分高于和低于阈值参与者方面的有效性。

结论

本研究提供了一种工具，用于估计无牙老年人同时出现具有临床意义的抑郁症状的概率。它可以作为分诊辅助工具，识别出需要接受直接症状筛查或转诊的患者。