与年龄相关的老年抑郁症决定因素：理论驱动与数据驱动方法的分析

《BMC Health Services Research》：Age-related determinants of geriatric depression: an analysis of theory-driven and data-driven approaches

　　

摘要

背景

老年抑郁症是一种常见的心理健康问题，其风险特征可能因年龄层次而异。本研究探讨了土耳其社区居住的老年人中，不同年龄组（65–74岁、75–84岁、85岁以上）的抑郁风险和保护因素是否存在差异。

方法

数据来源于2023年土耳其老年人概况调查（TEPA-2023），这是一项具有全国代表性的多阶段集群抽样研究。在29,785名受访者中，最终分析样本包括8,370名65岁及以上的成年人。抑郁症的诊断标准采用老年抑郁量表-30（GDS-30），临界分为≥11分。在理论驱动阶段，为整个样本和不同年龄组分别建立了包含24个自变量的二元逻辑回归模型，并通过分层10折交叉验证对模型进行了验证。在数据驱动阶段，通过准确率、召回率、F1分数和ROC曲线下面积（AUC）比较了多种机器学习算法。

结果

抑郁症的患病率随年龄显著增加，65–74岁组的患病率为39.9%，75–84岁组为53.4%，85岁以上组为67.7%（χ2 = 242.40，p < 0.001）。在整体逻辑回归模型中，最强烈的风险因素是不快乐（OR = 2.516），而最强的保护因素是通过Lawton-Brody IADL评估的功能独立性（OR = 0.386）。整体模型的区分度良好（AUC = 0.812；McFadden R2 = 0.245）。按年龄分层分析显示，随着年龄的增长，显著预测因子的数量减少（65–74岁组13个，75–84岁组9个，85岁以上组5个）；肥胖仅在85岁以上组显示出保护作用（OR = 0.506，p = 0.016）。在数据驱动阶段，通过分层10折交叉验证比较了十种机器学习算法，梯度提升算法获得了最高的整体AUC（0.813），而SVM-RBF算法在75–84岁组（0.806）和85岁以上组（0.828）的表现最佳。排列重要性分析的结果与逻辑回归一致，均将不快乐、自我评估的健康状况、Lawton-Brody IADL和体力活动频率列为主要预测因子。在不同年龄组中，预测因子的权重从75岁以下组的教育水平和收入转向了85岁以上组的BMI和残疾指标。

结论

老年抑郁症的风险特征随着年龄的增长而显著变化。虽然社会经济因素在较年轻的老年人中更为突出，但在晚年，健康状况和功能独立性变得更为重要。结合理论驱动的回归分析和数据驱动的机器学习方法为识别老年人的年龄相关抑郁模式提供了更全面的框架。