使用CNN-BiLSTM-Attention机制和LSTM+SHAP框架预测中年和中国老年人的抑郁风险
Shengxian Bi1, Gang Li2, Huawei Tan1
1School of Medicine and Health Management, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, Hubei, P.R. China.
BMC psychiatry
|August 14, 2025
概括
这项研究开发了先进的机器学习模型来预测老年人抑郁风险,确定疼痛和日常功能是关键因素. 这些发现强调了需要针对性干预,重点关注疼痛和慢性疾病管理.
科学领域:
- 老年学是一门学科.
- 计算精神病学是一种计算精神病学.
- 数据科学数据科学数据科学
背景情况:
- 中年和老年人抑郁风险的时空特征对于及时干预至关重要.
- 现有的机器学习 (ML) 方法往往忽视了抑郁风险的时空异质性.
研究的目的:
- 开发和评估先进的长期短期记忆 (LSTM) 框架,用于预测老年人抑郁风险.
- 通过结合卷积神经网络 (CNN),双向LSTM (BiLSTM) 和注意力机制来提高预测的准确性和稳定性.
- 通过SHAP (沙普利增量扩张) 分析来确定抑郁风险的关键影响因素.
主要方法:
- 利用了中国健康与退休纵向研究 (CHARLS) 的五波数据.
- 构建了九个LSTM框架,包括CNN-BiLSTM-Attention,用于不一致的数据长度的动态时间窗口.
- 应用SHAP分析来量化和可视化特征对抑郁风险预测的影响.
主要成果:
- 在CNN-BiLSTM-Attention模型中,预测性能 (AUC 0.68-0.71) 和稳定性得到改善.
- SHAP分析确定了健康状况和功能 (疼痛,性别,睡眠,日常生活中的工具活动) 作为抑郁风险的重要预测因素.
- 该LSTM+SHAP框架在分析复杂的时空数据方面证明了其价值.
结论:
- 开发的LSTM+SHAP框架对于高维空间时间数据分析在抑郁风险预测中是有效的.
- 临床干预和公共卫生政策应优先考虑老年人的疼痛和慢性疾病管理,以减轻抑郁风险.
