基于机器学习的老年人咀嚼困难抑郁风险预测模型的构建与时间验证：KNHANES研究的证据

《BMC Oral Health》：Development and temporal validation of a machine-learning based risk prediction model for depression in older adults with chewing difficulty: evidence from the KNHANES

　　

摘要

背景

老年人抑郁症是一种受人口统计、行为及健康相关因素影响的复杂疾病。尽管咀嚼困难等口腔功能问题可能与心理健康存在关联，但至今仍未受到足够重视。研究人员开发了机器学习模型，并通过时间验证来预测抑郁症状，同时评估咀嚼困难与其他健康风险因素的重要性。虽然这些方法能够同时考虑多个相互竞争的变量，但在处理大规模人群数据中各种人口统计、行为及临床因素之间的复杂相互作用时仍存在局限。

方法

这项预测建模研究使用了2020年、2022年和2024年完成PHQ-9抑郁量表检测的韩国65岁及以上成年人的KNHANES数据。在排除那些PHQ-9数据缺失的参与者，并对24个预测因子进行完整案例预处理后，最终纳入了3,881名参与者。2020年和2022年的数据被用作训练集，而2024年的数据则作为独立的跨时间测试集。研究人员使用分层5折交叉验证法，针对PHQ-9得分≥10和≥5两种情况分别训练了五种机器学习模型，同时在训练集上进行了数据预处理、类别不平衡处理以及超参数调整。最终调整后的模型在2024年的测试集上进行了评估，主要指标为接收者操作特征曲线下面积（AUROC），同时还报告了精确度-召回率曲线下面积（AUPRC）、灵敏度、特异性、F1分数以及布里尔分数等指标。

结果

CatBoost模型在预测这两种抑郁状况时表现最佳。对于PHQ-9得分≥10的情况，该模型的AUROC值为0.853（95%置信区间为0.780–0.911），灵敏度为0.650，特异性为0.877，AUPRC值为0.267，布里尔分数为0.024；而对于PHQ-9得分≥5的情况，其AUROC值为0.751（95%置信区间为0.707–0.789），灵敏度为0.620，特异性为0.764，AUPRC值为0.300，布里尔分数为0.088。在所有模型中，感知压力和活动受限是最强的预测因子。而咀嚼困难则是最重要的口腔健康预测因子（在24个变量中分别位列PHQ-9得分≥10和≥5情况的第6位和第5位），且在SHAP分析中，该因素始终会导致模型预测的抑郁症状概率更高。

结论

机器学习模型在预测老年人抑郁症方面具有出色的时间稳定性。咀嚼困难作为一种预测因子，其重要性不受整体健康状况的影响，这一结果表明应将口腔功能评估纳入多维度抑郁风险筛查策略之中。