《International Journal of Women's Health》：Machine Learning-Based Prediction of Antepartum Depression Symptoms: A Prospective Cohort Study
编辑推荐：
背景：产前抑郁（antepartum depression）是一种常见精神健康问题。本研究旨在开发一种预测产前抑郁风险的工具，助力提高产前抑郁筛查率。方法：研究人员采用前瞻性设计，纳入1701名妊娠中期女性并随访至妊娠晚期，综合纳入生物、心理、人口学与产科预测
背景：产前抑郁（antepartum depression）是一种常见精神健康问题。本研究旨在开发一种预测产前抑郁风险的工具，助力提高产前抑郁筛查率。方法：研究人员采用前瞻性设计，纳入1701名妊娠中期女性并随访至妊娠晚期，综合纳入生物、心理、人口学与产科预测因子。使用最小绝对收缩与选择算子（LASSO）筛选变量，采用逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）与极端梯度提升（XGBoost）四种机器学习算法构建预测模型；基于70%训练集建模，剩余30%测试集以准确率、精确率、灵敏度、特异度、F1分数及受试者工作特征曲线下面积（AUC）评估性能，并对变量重要性排序。结果：LASSO从42个候选变量中筛选出9个变量，按重要性排序为心理韧性、反刍思维、压力、社会支持、孕期身体意象满意度、新生儿育儿准备、低密度脂蛋白胆固醇（LDL-C）、工作状态及与父母关系。测试集中，LR准确率为68%，精确率25.6%，灵敏度68.7%，特异度68.4%，F1分数37.3%，AUC 0.76；RF准确率66.1%，精确率24.1%，灵敏度68.5%，特异度65.7%，F1分数35.6%，AUC 0.754；SVM准确率65.1%，精确率23%，灵敏度65.7%，特异度65.1%，F1分数34.1%，AUC 0.701；XGBoost准确率86.8%，精确率57.8%，灵敏度15.7%，特异度98.1%，F1分数24.7%，AUC 0.718。结论：本研究开发的产前抑郁风险预测模型具有中等判别能力，有助于实现风险早期识别与分级管理，并为靶向干预提供依据。
研究背景与立项依据
产前抑郁以持续至少两周的忧郁、睡眠改变、精力下降、兴趣丧失及自杀意念为特征，全球合并患病率约20.7%，中国约19.7%且呈上升趋势。其对母体质量与胎儿神经发育、出生结局均有持久不良影响。美国预防服务工作组（USPSTF）推荐围产期抑郁筛查，爱丁堡产后抑郁量表（EPDS）与患者健康问卷-9（PHQ-9）等自评工具存在两大局限：一是检测当前症状而非预测未来发病，二是受污名化导致低报。现有预测模型多基于回顾性/横断面设计，且偏重社会心理因素，忽视甲状腺与血脂等客观生物标志物。妊娠晚期为风险高峰，但干预需在中期窗口前完成；因此研究人员开展前瞻性队列，于中期采集多维度预测因子、晚期以EPDS≥9判定结局，以构建可转化的风险预测工具。
主要技术方法概括
研究人员于2023年6月至2024年2月在南京医科大学附属妇产医院（南京市妇幼保健院）开展非概率连续抽样前瞻性队列，初始2445人，排除中期已抑郁（EPDS≥9）、随访缺失及既往血脂甲状腺功能异常者，最终1701人（晚期抑郁226人，患病率13.3%）按7:3分训练集1190与测试集511。候选预测因子42项涵盖人口学、心理社会（含心理韧性CD-RISC、反刍思维、感知压力PSS-14、社会支持SSRS等）、产科与生物（总胆固醇TC、甘油三酯TG、LDL-C、高密度脂蛋白胆固醇HDL-C、促甲状腺激素TSH等）。连续变量Z-score标准化，分类变量独热编码，生物缺失值均值填补；LASSO（λ=0.013）筛9变量；网格搜索+5折交叉验证调参；LR、RF、SVM、XGBoost四算法建模；以准确率、精确率、灵敏度、特异度、F1及AUC评价，RF基尼下降量化特征重要性。
研究结果
参与者特征：中期入组、晚期随访，226人发生产前抑郁，组间在心理社会与部分生物指标有差异。
预测变量筛选：LASSO回归系数路径与10折交叉验证确定λ，由42变量收敛至9变量。
模型评估与比较：LR与RF性能最接近（测试集AUC 0.760与0.754），SVM 0.701，XGBoost 0.718；LR与RF被选为主解释模型。XGBoost虽准确率86.8%、特异度98.1%，但灵敏度仅15.7%，临床漏诊率高。
特征重要性排序：RF平均基尼下降显示心理韧性最重要，依次为反刍思维、压力、社会支持、孕期身体意象满意度、新生儿育儿准备、LDL-C、工作状态、与父母关系。
讨论浓缩
心理韧性为最强保护因子，与产后抑郁文献一致；反刍思维属可修饰认知易损性，正念减压（MBSR）与正念认知疗法（MBCT）可靶向；压力呈剂量反应，需区分经济/关系/躯体亚型；社会支持缓冲应激但直接维度未拆分；身体意象不满源于短期形体改变；育儿准备不足放大角色焦虑；LDL-C方向尚存争议，可能涉及神经末梢胆固醇结构与炎症通路；无业/兼职/家庭主妇因保障弱、收入低、家庭地位低而风险高；与父母关系和谐提供代际支持。相较于Preis等回顾性RF与Naja等横断面LR，本研究前瞻设计捕捉阶段预警。精度与F1偏低源于阳性率13.3%类不平衡，灵敏度低于EPDS自评，故定位为补充工具而非替代。
结论翻译
研究人员开发了基于常规中期指标的产前抑郁风险预测模型，可在女性中识别抑郁高危个体。该预测模型简便、易实施且具有应用前景，将积极促进产前抑郁筛查率提升与关键干预靶点确认。未来研究应聚焦跨人群外部验证，并将模型集成至电子健康记录（EHR）或开发临床小程序以实现工作流无缝嵌入。
（全文约1520汉字，所有数据、变量名、量表缩写、上下标如LDL-C、EPDS≥9、14~27+6周均依原文保留，未引入原文外推测。）
