一种基于多数据库的机器学习方法，用于预测患有慢性病的老年人群的抑郁与虚弱状况

《BMC Geriatrics》：A multi-database machine learning approach to predict depression and frailty in elderly populations with chronic conditions

　　

摘要

背景

在患有慢性疾病的老年人中，抑郁与虚弱常常同时出现，严重损害其身体和心理健康；然而，二者之间的双向关联尚不明确。

方法

本研究整合了四个大型基于人群的队列数据——CHARLS、HRS、KLOSA和SHARE，共包含53,544名60岁及以上且患有多种疾病的参与者。研究使用了12种机器学习算法来预测抑郁（第一部分），并在16,911例身心共病病例中预测虚弱（第二部分），模型性能通过准确率、AUC值、F1分数和SHAP值进行评估。

结果

在预测抑郁的模型中，CatBoost模型的AUC值最高（0.773），而虚弱指数则是最强的预测因子。在预测身心共病患者的虚弱情况时，梯度提升模型表现良好（AUC=0.756）。抑郁严重程度是导致虚弱的主要因素。差异性累积分析表明，这两种模型都具有显著的临床益处。SHAP分析显示，虚弱指数是预测同时存在抑郁的主要特征，而在横断面研究中，抑郁严重程度则是预测同时出现虚弱的强有力因素。

结论

这项基于多个数据库的可解释机器学习分析表明，患有多种疾病的老年人中，虚弱与同时存在的抑郁之间存在较强的横断面预测关联。这些预测模型有助于对高风险人群进行临床风险分层，从而实现两种疾病的同步筛查。不过，由于本研究为横断面设计，无法确定二者之间的时间顺序或因果互动关系。研究结果凸显了基于机器学习的预测模型在临床实践中的潜力，有助于早期识别和管理高风险人群，进而提供个性化的护理和干预措施。