机器学习助力预测认知障碍老年人抑郁症状风险

为解决认知障碍老年人抑郁症状识别难题，研究人员构建机器学习模型，发现 XGBoost 模型最佳，意义重大。

　　在全球老龄化加速的当下，老年人的心理健康问题愈发凸显，认知障碍和抑郁症状成为两大 “健康杀手”。认知障碍会让老年人的生活自理能力下降，抑郁症状则像一团阴霾，笼罩着他们的心灵，二者常常相伴出现，互相影响，让老年人的生活质量直线下降。然而，传统的抑郁症状诊断方法在这群特殊的老年人身上却 “力不从心”。由于认知障碍导致的沟通困难和症状不典型，很多抑郁症状被忽视或误诊，常用的自评工具如患者健康问卷 - 9（PHQ-9）也缺乏足够的敏感性和特异性，无法精准识别抑郁症状，这使得早期诊断和干预困难重重。

为了突破这一困境，来自锦州医科大学护理学院和深圳市罗湖区人民医院（汕头大学医学院罗湖临床学院）全科医学科的研究人员展开了一项极具意义的研究，相关成果发表在《BMC Psychiatry》杂志上。

研究人员使用美国国家健康和营养检查调查（NHANES）2011 - 2014 年的数据，从 3472 名参与者中筛选出 945 名 60 岁及以上的认知障碍老年人作为研究对象。他们运用了多种关键技术方法，首先利用 Lasso 回归进行特征筛选，确定与抑郁症状相关的重要变量；接着采用随机分层抽样将数据集分为训练集和验证集；然后使用 7 种机器学习算法（包括逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、多层感知器（MLP）、K 近邻（KNN）、Light Gradient Boosting Machine（LightGBM）和极端梯度提升（XGBoost））构建预测模型，并通过 5 折交叉验证网格搜索优化模型超参数；最后利用多种评估指标，如准确率、精确率、召回率、F1 分数、曲线下面积（AUC）等，全面评估模型性能，还运用 Shapley Additive exPlanations（SHAP）值分析特征对模型预测的贡献。

研究结果如下：

• 基线特征：所有老年人随机分为训练集（661 例，70%）和测试集（284 例，30%），两组基线特征无显著差异，保证了研究的均衡性。在训练集中，抑郁症状的发生率为 14.07%。进一步分析发现，抑郁症状组和非抑郁症状组在年龄、性别、婚姻状况、自评健康状况、记忆困难、经济状况和睡眠时间等方面存在显著差异。例如，抑郁症状组的老年人平均年龄更小，女性比例更高，丧偶、离异或未婚的比例更大，自评健康状况差和有记忆困难的情况更常见，经济困难和睡眠时间不足的人也更多1。
• 预测变量筛选：通过 Lasso 回归交叉验证，最终确定了 lambda.min（0.01015957）为最佳参数，并筛选出 9 个预测因子，包括年龄、性别、教育程度、婚姻状况、体重指数（BMI）、糖尿病、一般健康状况、记忆困难和睡眠时间2。
• 模型构建与性能评估：7 种机器学习模型的 AUC 值均在 0.8 - 0.9 之间，预测性能相近。进一步评估发现，KNN 和 XGBoost 在校准曲线中表现最为准确，预测偏差最小。在决策曲线分析（DCA）中，在 0.53 - 0.63 的阈值范围内，XGBoost 模型的净效益显著高于 “无干预” 和 “全干预” 基线，临床实用性更强。综合各项指标，XGBoost 模型整体表现最佳34。
• 模型可解释性：采用 SHAP 值对 XGBoost 模型进行可视化分析，结果显示一般健康状况、记忆困难和年龄是影响认知障碍老年人抑郁症状的三个最重要特征。此外，睡眠时长、婚姻状况、糖尿病、性别、BMI 和教育程度等也与抑郁症状相关。例如，通过 SHAP 图分析单个样本发现，一位 67 岁、丧偶离异或分居、睡眠时间短、自评健康状况差、高中及以上学历的认知障碍老年人，有 69% 的概率出现抑郁症状5。

研究结论和讨论部分指出，该研究表明机器学习模型，尤其是 XGBoost 模型，能有效预测认知障碍老年人的抑郁症状风险。研究识别出的关键预测因子，强调了身体健康、认知功能和社会因素在抑郁症状发生中的重要作用。XGBoost 模型凭借其高精度和可解释性，在临床应用中具有巨大潜力，可实现个性化风险评估，为早期干预提供依据，还能帮助制定有针对性的干预措施，改善老年人心理健康。不过，该研究也存在局限性，如模型的泛化性有待进一步验证，缺乏因果关系的研究，抑郁症状评估依赖自评问卷可能存在偏差，数据集中抑郁症状的低患病率可能影响模型性能等。未来研究需要在更多样化的队列和真实世界环境中验证模型，开展纵向研究明确因果关系，并改进抑郁症状评估方法和处理数据不平衡问题。总体而言，这项研究为认知障碍老年人抑郁症状的预测和干预提供了新的方向和有力工具，对提升老年人心理健康水平具有重要意义。<该研究通过构建多种机器学习模型预测认知障碍老年人抑郁症状风险，发现 xgboost 模型表现最佳，且明确了多个关键预测因素。这一成果为早期干预提供了重要依据，但研究存在局限性，后续还需进一步优化和验证。 xgboost>