机器学习识别慢性病老年人的抑郁风险:按认知障碍状态分层的共同风险因素解析

《Geriatric Nursing》:Machine learning identifies depression risk in older adults with chronic diseases: Clarifying shared risk factors stratified by cognitive impairment status

【字体: 大 中 小 】 时间:2026年09月21日 来源:Geriatric Nursing 2.9

编辑推荐:

   •本研究为患有慢性疾病的认知功能正常、轻度认知障碍和严重认知障碍的老年人构建了三个模型。•XGBoost三个模型的准确率在0.755至0.767之间,所有Brier评分均低于0.160,表明具有良好的预测性能。•"感觉精力充沛"是认知功能正常组和轻度认知障碍组中最重要的预测因

  
  • •
    本研究为患有慢性疾病的认知功能正常、轻度认知障碍和严重认知障碍的老年人构建了三个模型。
  • •
    XGBoost三个模型的准确率在0.755至0.767之间,所有Brier评分均低于0.160,表明具有良好的预测性能。
  • •
    "感觉精力充沛"是认知功能正常组和轻度认知障碍组中最重要的预测因子。
  • •
    "每日睡眠时长"是严重认知障碍组中最关键的预测因子。

引言

抑郁是一种重大的公共卫生问题,显著影响老年人的身心健康,且其在该群体中的患病率显著增加。1,2 尤为令人担忧的是,患有慢性疾病的老年人抑郁风险高于一般老年人群。3,4 既往研究表明,多种常见慢性疾病(包括高血压、糖尿病、心脏病、中风和慢性肺部疾病)与晚年出现抑郁症状的风险增加有关。5, 6, 7 这些疾病可能通过多种途径导致抑郁,包括功能受限、慢性疼痛、社会参与减少、治疗负担加重,以及涉及炎症和血管功能障碍的共同生物学机制。5, 6, 7, 8 由于这些慢性疾病在本研究纳入的参与者中也很常见,了解其对抑郁风险的贡献具有重要的临床意义。
同样,患有认知障碍的老年人中抑郁的患病率也较高。9 当慢性疾病与认知障碍共存时,这两个问题往往相互协同作用,对心理健康产生"双重负担",显著增加抑郁发生的可能性和严重程度。10, 11, 12 这种累积的健康负担使该群体成为抑郁预防和治疗的重点目标。如果未能及时识别并有效治疗,老年人的抑郁——尤其是进展为重度抑郁症时——将对个体的生活质量产生毁灭性影响,13,14 严重损害身体功能、社会交往以及独立执行日常活动的能力。此外,它还会显著增加功能残疾、认知加速下降、其他躯体疾病恶化甚至自杀的风险。1,14,15 对于已经饱受慢性疾病和潜在认知挑战困扰的老年人而言,抑郁进一步加剧了他们的困境,大大削弱了他们在晚年的幸福感和尊严。因此,早期识别高危个体是实施有效干预和改善预后的重要前提。
识别抑郁风险是实现早期干预的必要第一步。尽管已有研究认识到慢性病患者和认知障碍老年人中抑郁的负担,但现有研究存在若干局限性。首先,很少有研究专门关注同时患有慢性疾病且认知障碍程度不同的老年人,这一群体极易罹患抑郁。其次,既往研究往往依赖传统统计方法和自我报告量表,16, 17, 18, 19, 20 未系统识别认知亚组中最具预测力的风险因子。第三,缺乏具有临床可解释性的预测模型,这些模型有可能支持该人群中高危个体的分层筛查或早期识别。
此外,老年人是一个异质性很强的群体,在认知功能、身体健康和日常生活能力方面差异较大。抑郁风险因素在不同认知状态或慢性疾病定义的亚组中可能具有不同的作用机制。识别这些亚组特异性模式有助于制定有针对性的评估策略,并指导设计能够满足各亚组特定需求的干预措施。
机器学习技术(如XGBoost)已展现出强大的预测性能和处理复杂高维数据的能力。16, 17, 18, 19, 20 可解释方法(如SHAP)可以对每个预测因子对模型输出的贡献进行量化,从而识别各认知亚组内最重要的风险因素。在本研究中,XGBoost被用作唯一的建模算法,以方便跨认知分层的特征重要性比较,并使用关键预测因子构建简化模型以增强其在实际场景中的应用潜力。XGBoost不仅提供特征重要性的全局排名21,22——明确识别哪些因素(如特定指标)对抑郁风险预测的贡献最大——而且还能与高级局部可解释性方法(如SHAP值)无缝集成。SHAP值可以量化每个特征对个体预测的贡献方向和幅度,揭示风险因素在不同认知亚组中的作用差异(如认知正常组与认知障碍组),包括特征重要性的变化和交互效应的差异。这些建模和可解释性策略为研究亚组特异性风险因素提供了基础,并有助于开发定制化的筛查方案。
本研究的目的是使用XGBoost算法开发按认知状态分层(无认知障碍、轻度认知障碍和严重认知障碍)的机器学习模型,并识别各亚组内的关键预测因子,从而为潜在的分层筛查策略提供信息。本研究采用SHAP方法可视化模型的决策过程,并探索各输入变量的相对重要性。为了在不同组别之间对抑郁风险因素(即SHAP值排名)的重要性进行有意义的比较,我们选择使用单一算法——XGBoost——来构建模型,而非比较多种算法并为每个组别选择表现最佳的算法。做出这一决定是因为最优模型类型在不同亚组之间可能不同,这将使基于SHAP的特征重要性直接比较变得复杂。最后,为增强模型在实际场景中的适用性,我们将仅使用基于SHAP排名最重要的前10个特征构建简化版本的模型。

章节片段

参与者

本研究使用了2018年中国健康与长寿纵向调查(CLHLS-2018)的数据。初始数据集包含15,874名参与者。本研究的纳入标准要求参与者年龄65岁及以上,且至少患有以下慢性疾病之一:高血压、糖尿病、心脏病、中风及脑血管疾病、支气管炎、肺气肿、哮喘、癌症、前列腺肿瘤、帕金森病、关节炎或风湿/类风湿。

样本特征

本研究共纳入5798名参与者(3212名女性),平均年龄为81.90岁(标准差=10.44)。CESD-10评分平均为9.59(标准差=5.37),MMSE评分平均为26.44(标准差=4.86)。无认知障碍组包含4556名参与者(2545名无抑郁风险,2323名女性),平均年龄为79.67岁(标准差=9.58),CESD-10评分平均为9.11(标准差=5.22),MMSE评分平均为28.52(标准差=1.54)。
轻度认知障碍组包含856

讨论

尽管既往研究已将机器学习技术应用于探索老年人的抑郁风险,但据我们所知,尚无研究专门为不同认知障碍程度的慢性病患者开发抑郁评估模型。既往研究表明,同时患有慢性疾病和认知障碍的老年人抑郁风险更高。3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 37 且

局限性与未来方向

本研究存在若干局限性。首先,SHAP值反映的是预测关联而非因果关系,且CLHLS数据的横断面性质无法得出关于时间关系或因果关系的结论。特征之间的高度相关性(如睡眠质量差导致精力不足)可能会稀释SHAP值,导致单个特征的重要性被低估或高估。其次,认知状态仅使用MMSE进行分类

结论

本研究为不同认知状态(无认知障碍、轻度认知障碍和严重认知障碍)的慢性病患者开发了差异化的抑郁评估模型。研究结果表明,认知功能可能影响抑郁相关指标的相对重要性。在认知功能完整者和轻度认知障碍者中,感觉精力充沛是最具影响力的预测因子,而每日睡眠时长是严重认知障碍组中最重要的

资助

本研究未获得公共、商业或非营利部门的任何特定资助。

数据可用性与伦理声明

CLHLS的调查已获得杜克大学校园机构审查委员会(Pro00062871)和北京大学生物医学伦理委员会(IRB00001052-13074)的批准。本研究使用的数据是在获得相关CLHLS管理机构的许可后访问的。由于该数据集包含敏感个人信息且其使用须经官方批准,未经授权公开数据将违反相关规定。因此,我们

CRediT作者贡献声明

邱宇然:撰写——审阅与编辑,撰写——初稿,监督指导,软件,方法论,形式化分析,数据整理,概念化。李荣倩:撰写——审阅与编辑,撰写——初稿,方法论,概念化。
邱宇然|李荣倩
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号