基于机器学习的中国老年人抑郁状态预测模型：三年纵向研究的可解释性分析

《Journal of Affective Disorders》：Interpretable machine learning models for predicting depression status and remission three years later in older adults in China: A longitudinal study

本研究利用CHARLS数据库，采用XGBoost等五种机器学习算法构建老年人抑郁状态（DS）和抑郁缓解（DR）预测模型，通过SHAP方法进行特征解读并开发简化版本。结果显示XGBoost模型在DS组（准确率0.710，AUC 0.738）和DR组（F1分数0.785）表现最优，简化模型性能略有下降但仍具应用潜力，为老年抑郁防控提供了智能化决策支持。

　　

Abstract

背景

抑郁症严重影响老年人健康，利用机器学习预测其未来抑郁状态及评估现有抑郁患者的缓解可能性具有重要价值。

方法

本研究纳入中国健康与养老追踪调查（CHARLS）第3-4期5310名参与者，采用五种机器学习算法构建：（a）老年人未来抑郁状态（DS）预测模型；（b）现有抑郁患者未来缓解（DR）预测模型。通过SHapley加性解释（SHAP）方法解读模型并构建简化版本。

结果

DS组5310名参与者（男性52.30%，平均年龄66.83±5.56岁），XGBoost模型表现最优（准确率0.710，特异性0.832，AUC 0.738）。DR组1775名参与者（男性41.07%，平均年龄66.83±5.41岁），XGBoost同样领先（准确率0.702，敏感性0.829，F1分数0.785）。基于前十位预测因子构建的简化模型性能仅轻微下降。

局限性

简化模型预测性能中等，实际应用需谨慎。

结论

本研究开发的预测模型及简化版本为改善老年人群健康管理提供了重要潜力。