骨质疏松成人焦虑和抑郁相关的心理因素：随机森林分析

《Archives of Psychiatric Nursing》：Psychological factors associated with anxiety and depression in adults with osteoporosis: A random forest analysis

　　**摘要****背景**全球预期寿命的增加伴随着骨质疏松症患病率的上升，这是一种慢性病症，通常与心理困扰（尤其是焦虑和抑郁）相关。识别与这些结果相关的心理因素对于支持全面的心理护理评估和护理至关重要。然而，大多数以往的研究依赖于传统的分析方法，这些方法在捕捉心理社会变量之间的复杂关系方面可能存在局限性。**方法**本研究在622名沙特成人骨质疏松症患者中进行了一项横断面研究（平均年龄 = 50.5岁，SD = 5.97；男性占65.3%）。参与者完成了经验证的测量工具，评估焦虑、抑郁、失眠、心理韧性、反刍思维、自我同情、主观幸福感、自评健康以及社会人口学特征。采用随机森林分析方法检验与焦虑和抑郁相关的心理和健康因素的相对重要性。使用带有重复10折交叉验证的网格搜索优化超参数。**结果**约65%和69%的参与者的抑郁和焦虑症状得分分别超过筛查临界值。随机森林分析识别出失眠、自我同情、反刍思维、心理韧性和主观幸福感是与抑郁相关的最具影响力的因素。失眠、自我同情、心理韧性、反刍思维和自评健康是与焦虑相关的最突出的因素。**结论**这些发现强调了与骨质疏松症患者中焦虑和抑郁相关的关键心理和健康因素。结果强调了在护理骨质疏松症患者时，将重点心理评估——特别是睡眠障碍、应对资源和自我相关过程——纳入精神科护理实践的相关性。这种方法可能有助于更早地识别心理困扰，并在常规护理中提供更有针对性的心理健康支持。**引言**随着全球预期寿命的增加，骨质疏松症已成为影响患者和医疗从业者的主要公共卫生问题（Miller, 2016）。骨质疏松症常被称为"本世纪的无声疾病"，是一种以骨痛、骨量减少、骨结构异常和骨脆性增加为特征的全身性骨骼疾病（Kurra等, 2014）。该病被称为"无声"是因为临床症状通常在疾病达到晚期阶段时才出现。流行病学证据表明骨质疏松症的患病率正在迅速上升。系统评价和荟萃分析估计其全球患病率高达18.3%（Salari等, 2021；Xiao等, 2022）。在美国，约有1400万名50岁及以上的成人患有骨质疏松症，预测显示这一数字将继续增加（Wright等, 2014）。在沙特阿拉伯，据报道50岁以上人群中髋部骨折的概率为女性4.6%，男性3.7%，这一比例显著高于邻国（Saleh等, 2022）。骨质疏松症的后果包括慢性疼痛和骨折，这些可能严重损害个体在日常生活中的功能能力。长期治疗方案和体力活动限制给身体和心理带来负担，后者通常表现为焦虑和抑郁（Lyons等, 2016）。除了骨质疏松症患者中更常见外，焦虑和抑郁还可能对骨质疏松症的管理和治疗结果产生不利影响（Huang等, 2021）。因此，识别骨质疏松症患者中与焦虑和抑郁相关的因素对于提供有针对性的心理支持和未来的干预措施非常重要。以往的研究已经识别出与骨质疏松成人中焦虑和抑郁相关的因素；然而，大多数现有研究依赖于传统统计方法，如多元回归分析（Berk & Baykara, 2020；Xiao等, 2020）。迄今为止，没有研究应用稳健的机器学习模型来识别骨质疏松症患者中与焦虑和抑郁相关的因素。在本研究中，使用随机森林算法（一种机器学习方法）来检验与焦虑和抑郁相关的因素。随机森林非常适合处理大型和异质数据集中的复杂和潜在非线性关系，并允许根据预测变量对感兴趣结果的相对贡献进行排名（Raita等, 2019）。与更传统的分析方法不同，随机森林不受变量正态性或独立性假设的限制（Jia & Yue, 2025）。该算法使用代表性数据集进行训练以构建多个决策树或分类树，然后对其进行汇总以识别对预测和分类最相关的特征。以往的研究已经证明了随机森林方法在排名与焦虑和抑郁相关因素的相对重要性方面的效用。在一项针对阿尔茨海默病患者照顾者的研究中，随机森林算法识别出性别、自评健康、与亲属的社会接触、过去两周内的新发疾病和收入是与照顾者抑郁相关的显著因素（Byeon, 2019）。同样，在中国残疾城乡老年人中，随机森林分类器表明自评健康、新发疾病、信任、体质指数、生活满意度和对未来的希望是与抑郁相关的重要因素（Xin & Ren, 2022）。随机森林等机器学习方法提供了识别多个相互作用的心理健康变量相对重要性的机会，而无需依赖传统回归模型所需的限制性假设，使其特别适合复杂的生物心理社会研究。然而，尽管机器学习方法在健康研究中的应用日益增加，但仍鲜有研究应用随机森林模型来检验骨质疏松成人中的焦虑和抑郁。此外，对于沙特阿拉伯背景下该人群与这些心理健康结果相关的心理因素知之甚少。因此，本研究旨在使用随机森林机器学习方法识别沙特阿拉伯骨质疏松成人中与焦虑和抑郁最相关心理因素。**章节片段****研究设计与参与者**采用横断面设计，从门诊诊所、大学附属医疗中心和社区患者组织招募经医学确诊患有骨质疏松症的成人。在多个临床和社区环境中招募，便于纳入接受不同护理环境照护的个体。数据通过结构化问卷收集，该问卷在临床设施内进行面对面接触时填写，或通过远程方式填写。**描述性统计**样本的社会人口学特征见表1。最终样本包括622名参与者，其中大多数为男性（65.3%）和已婚（82.5%）。大多数参与者完成了至少研究生级别的教育，相当一部分人受雇或自雇。近一半的样本报告曾进行过骨密度测试，约四分之三的人有家族成员被诊断患有骨质疏松症。基于已建立的[标准]...**讨论**本研究的主要目的是使用随机森林机器学习模型识别骨质疏松成人中与焦虑和抑郁最具影响力的心理和健康相关重要特征。模型对两个结果均表现出稳健的预测性能，支持该方法在捕捉该人群中心理变量间复杂相互作用方面的效用。在两个模型中，失眠和自我同情均成为最...**结论**本研究证明随机森林分析方法有助于识别沙特阿拉伯骨质疏松成人中与焦虑和抑郁相关的关键心理和健康因素。在分析中，失眠、自我同情、反刍思维、心理韧性以及对情感或身体幸福感的主观评估成为与该人群中心理易感性增强相关的最具影响力因素。这些发现强调了...**临床实践相关性**本研究的发现表明，随机森林等机器学习方法可能通过帮助综合与骨质疏松成人中焦虑和抑郁相关的复杂心理和健康信息，为心理健康护理实践提供有用的支持。通过识别与这些结果相关的关键心理因素——特别是失眠、反刍思维、心理韧性降低、自我同情降低和自评健康较差——这些发现提供了...**CRediT作者贡献声明**Mogeda El Sayed El Keshky：写作——审阅和编辑，写作——初稿，项目管理，方法学，调查，经费获取，正式分析，数据管理，概念化。Ahmed Yasser Samak：写作——审阅和编辑，写作——初稿，方法学，正式分析，概念化。**利益冲突声明**作者声明不存在潜在的利益冲突。**致谢**本研究由沙特阿拉伯麦加市阿卜杜勒阿齐兹大学科学研究院长办公室（DSR）资助，基金编号（IPP:120-246-2025）。作者感谢沙特阿拉伯麦加市阿卜杜勒阿齐兹大学科学研究院长办公室（DSR）提供的技术和财务支持。作者：Mogeda El Sayed El Keshky | Ahmed Yasser Samak机构：沙特阿拉伯麦加市阿卜杜勒阿齐兹大学艺术与人文学院心理学系