在中年和老年高血压患者中构建基于机器学习的抑郁症风险预测模型:一项纵向研究

科学领域:

• 老年学是一门学科.
• 公共卫生 公共卫生
• 医疗信息学 医疗信息学

背景情况:

• 高血压是一种常见的慢性疾病,与焦虑和抑郁症的风险增加有关.
• 准确预测抑郁风险对于高血压患者的及时干预至关重要.
• 这项研究解决了对中年和老年患有高血压的抑郁症的有效预测模型的需求.

研究的目的:

• 确定中年和老年患有高血压的抑郁风险的最佳预测模型.
• 为了比较物流回归,随机森林和XGBoost模型的预测性能.
• 为卫生专业人员制定有效的干预策略提供基础.

主要方法:

• 利用了来自中国健康与退休长度研究 (CHARLS) (2018-2020) 的2733名参与者的数据.
• 采用LASSO回归来从一组18个初始变量中选择最重要的预测变量.
• 使用R软件构建和评估了后勤回归,随机森林和XGBoost模型.

主要成果:

• 拉索回归确定了抑郁风险模型的10个关键预测变量.
• 与随机森林和XGBoost相比,物流回归模型在各种评估指标上表现出卓越的表现.
• 选择的变量和模型有效预测了抑郁风险.

结论:

• 机器学习模型,特别是逻辑回归,可以准确地预测三年内高血压中年和老年人患抑郁症的可能性.
• 将逻辑回归与名图相结合,为个性化风险评估提供了一个清晰可解释的方法.
• 这些发现支持在这个人口群体中开发针对性干预措施,以预防和管理抑郁症.