根据可解释的机器学习确定与抑郁症相关的最关键因素:来自CHARLS的案例研究

科学领域:

• 老年学是指老年学的学科.
• 心理健康研究 心理健康研究
• 计算社会科学 计算社会科学

背景情况:

• 抑郁症是中国老年人群中一个重要的心理健康问题.
• 目前用于预测抑郁风险和确定其原因的方法有限.
• 准确的预测和因素识别对于有效控制抑郁症和降低风险至关重要.

研究的目的:

• 开发和评估机器学习模型,用于预测中老年和中国老年人的抑郁风险.
• 通过可解释的机器学习技术,识别影响抑郁症的关键因素.
• 了解确定因素与抑郁风险之间的非线性关联.

主要方法:

• 利用了来自协调的中国健康与退休长度研究 (CHARLS) 的25586个样本的数据.
• 我们比较了五种机器学习模型 (CatBoost,XGBoost,GBDT,RF,LightGBM) 与线性回归.
• 采用夏普利添加式解释 (SHAP) 进行因子识别和累积局部效应 (ALE) 进行非线性关系分析.

主要成果:

• CatBoost模型在多个评估指标 (MAE,MSE,MedAE,R2) 中表现出卓越的表现.
• 确定的主要预测因素是生活满意度 (r4satlife),自我报告的记忆 (r4slfmem) 和健康状况 (r4shlta).
• SHAP和ALE分析提供了对抑郁症风险因素的全球和实例层面的见解.

结论:

• CatBoost模型适用于预测受研究人群中的抑郁症.
• 可解释方法 (SHAP,ALE) 成功确定了严重抑郁的决定因素.
• 研究结果强调了生活满意度,记忆力和健康状况在晚年抑郁症的背景下的重要性.