抑郁症状与握力联合轨迹对新发心血管疾病的预测价值：基于多中心队列的机器学习研究

《BMC Public Health》：Joint longitudinal trajectories of depressive symptoms and grip strength as predictors of new-onset cardiovascular disease: a multi-center study across five global cohorts

　　

摘要

背景

抑郁症状和肌肉力量下降在衰老过程中常常同时出现，然而它们对心血管疾病风险的协同纵向影响尚未得到充分阐明。本研究利用多中心机器学习框架，评估了抑郁症状与握力联合轨迹对新发心血管疾病的预测价值。

方法

本研究分析了来自五个前瞻性队列（HRS、ELSA、CHARLS、SHARE 和 KLoSA）共 35,055 名参与者的数据。所有参与者在基线时均无日常生活活动能力（ADL）残疾和心血管疾病。基于组的轨迹模型（GBTM）识别了抑郁症状和握力的联合纵向变化模式。使用 Cox 比例风险模型和 Fine-Gray 竞争风险模型评估关联。对七种机器学习算法的风险预测性能进行了比较评估，并通过 SHAP 值和决策曲线分析评价其临床效用。

结果

HRS、ELSA、CHARLS、SHARE 和 KLoSA 队列的中位随访时间分别为 12 年、10 年、8 年、8 年和 6 年，新发心血管疾病事件分别为 1,236 例、1,458 例、1,535 例、2,793 例和 277 例。GBTM 识别出三种轨迹模式。与参照组"高握力/低抑郁"相比，"低握力/高抑郁"轨迹组的 CVD 风险显著升高（校正后 HR：1.52–2.60；*P* < 0.05），在考虑死亡竞争风险后结果依然稳健（sHR：1.50–2.57）。在所评估的模型中，CatBoost 的整体表现最佳，验证集 AUC-ROC 值分别为：HRS 0.670、ELSA 0.788、CHARLS 0.751、SHARE 0.761、KLoSA 0.667。SHAP 分析确认联合轨迹是主要的预测特征。

结论

身体健康和心理健康的协同恶化与新发 CVD 风险增加相关。CatBoost 模型在可解释的风险评估方面显示出潜力，但在临床应用中仍需进一步外部验证。