使用机器学习预测残疾老年人的抑郁风险:基于CHARLS数据的分析

科学领域:

• 老年人的心理健康
• 医疗保健中的人工智能
• 预测分析是一种预测分析.

背景情况:

• 人工智能 (AI) 的进步为残疾老年人 (日常生活的基本或工具活动,BADL/IADL) 提供了预防和管理抑郁症的新策略.
• 这项研究的重点是开发机器学习 (ML) 模型,以预测这种脆弱人群中的抑郁风险.
• 利用来自中国健康与退休纵向研究 (CHARLS) 的纵向数据,旨在为早期查提供一种可通用的工具.

研究的目的:

• 系统地开发和验证用于预测残疾老年人抑郁风险的机器学习模型.
• 通过严格的特征选择框架,在这个人口群体中确定抑郁症的强有力的预测因素.
• 通过外部验证来评估开发模型的可通用性和时间稳定性.

主要方法:

• 采用了三阶段串行共识方法 (LASSO,弹性网,Boruta) 进行特征选择,从74个变量中确定了21个预测因素.
• 评估了十个机器学习算法,包括HistGBM,XGBoost和CatBoost,用于抑郁风险预测.
• 使用独立队列 (2018-2020年) 进行了时间外部验证,并采用了SHAP模型解释性框架.

主要成果:

• 在外部验证中,HistGBM模型表现出最佳性能 (AUC=0.779,F1-score=0.735,精度=0.713),性能降低最小.
• SHAP分析强调睡眠时间 (平均SHAP=0.344) 和生活满意度 (0.339) 是重要的预测指标,超过了传统的生物医学指标.
• 该模型表现出时间稳定性,培训,测试和外部验证集之间的AUC差异很小.

结论:

• 开发了一种基于人工智能的实用工具,用于对残疾老年人的抑郁风险评估.
• 这项研究为在老年精神健康中实施AI提供了方法参考,促进了预测分析的临床翻译.
• 研究结果强调了行为和主观因素在预测老年人群抑郁风险方面的重要性.