基于中国健康和老龄化跟踪研究的数据,基于机器学习的中年和老年人抑郁风险预测模型
Fang Xia1, Jie Ren1, Linlin Liu1
1School of Health Management, Changchun University of Traditional Chinese Medicine, Changchun, China.
Frontiers in public health
|August 22, 2025
概括
机器学习模型可以预测老年人的抑郁风险. 关键因素包括认知能力,收入,生活满意度,睡眠和疼痛,使得有针对性的预防策略成为可能.
科学领域:
- 老年学
- 计算精神病学
- 公共卫生
背景情况:
- 预测成年人的抑郁风险对于及时干预和改善生活质量至关重要.
- 使用纵向数据开发机器学习模型对于预防抑郁症的策略至关重要.
研究的目的:
- 开发和验证机器学习模型以预测健康老年人的2年抑郁风险.
- 确定影响该群体抑郁风险的关键因素.
主要方法:
- 利用来自中国健康与退休长度研究 (2018-2020) 的2331名老年人的数据.
- 使用机器学习算法 (逻辑回归,k-NN,SVM,MLP,决策树,XGBoost) 来根据CES-D-10得分预测抑郁症.
- 使用精度,灵敏度,特异性,ROC AUC和F1得分来评估模型性能;通过SHAP增强可解释性.
主要成果:
- XGBoost显示出优异的预测性能 (ROC AUC: 0. 774,准确率: 0. 722).
- LASSO回归确定了12个关键预测特征.
- SHAP分析强调认知能力,收入,生活满意度,睡眠质量和疼痛是重要的预测因素.
结论:
- 机器学习模型可以有效地预测健康老年人的抑郁风险,
- 用SHAP解释的XGBoost模型提供了针对性抑郁症预防的个性化风险评估.
- 这种方法支持针对老龄化人口的量身定制干预措施的发展.
