基于注意力机制LSTM的中老年人群抑郁症状纵向风险预测与关键预测因素识别

《BMC Psychology》：Development and validation of an LSTM model for predicting depressive symptoms in middle-aged and older adults: a prospective multi-cohort transcultural study

　　

背景

抑郁症状在中老年人群中十分常见，且早期识别和随访面临诸多挑战。纵向风险预测可以通过整合生命历程和健康相关领域的多重复信息，支持更早的风险分层。我们的目标是开发并验证一个机器学习模型，用于预测中老年人群的抑郁症状，同时识别关键预测因素。

方法

我们利用中国健康与养老纵向调查（n?=?8,036）五波纵向数据，开发了一个基于注意力的长短期记忆（LSTM）模型。使用健康与养老调查（n?=?6,424）数据进行外部验证。该模型纳入了涵盖社会人口学、健康相关、童年经历和代际变量等28个预测变量。结局指标为最终波次的临床显著抑郁症状。我们使用受试者工作特征曲线下面积（AUC）、校准曲线、Brier分数、阈值依赖指标和决策曲线分析（DCA）来评估模型性能。在相同框架下，我们将LSTM模型与L2正则化逻辑回归、随机森林和XGBoost进行了比较。采用Shapley加性解释（SHAP）方法进行分析以增强模型可解释性。

结果

基于注意力的LSTM模型表现出良好的区分能力，内部测试集AUC为0.807（95% CI：0.789–0.825），外部验证队列AUC为0.789（95% CI：0.774–0.805），在两个队列中均优于所有传统非序列模型。然而，其区分能力与不含注意力机制的普通LSTM模型相当。校准图显示总体一致性尚可，尤其是基于LSTM的模型表现较好，尽管部分传统模型在外部验证队列中表现出适度的校准偏差。与父母的童年关系，尤其是母子关系，是最强的预测因素，其次是认知能力、自评记忆和就业状态。注意力权重图表明，较新的调查波次获得了更大的相对权重。

结论

这项基于人群的研究表明，带注意力机制的LSTM可以有效预测两个全国老龄队列中老年人群中具有临床意义的抑郁症状。早期亲子关系是晚年抑郁症状最重要的预测标志之一。