中年和老年患有代谢综合征的抑郁风险的预测模型:基于CHARLS的nomogram和可解释的机器学习方法

科学领域:

• 医疗信息学 医疗信息学
• 公共卫生 公共卫生
• 计算生物学 计算生物学

背景情况:

• 代谢综合征 (MetS) 显著增加抑郁风险,影响患者的生活质量.
• 在MetS患者中开发精确的抑郁症预测模型对于及时干预至关重要.

研究的目的:

• 创建和验证用于预测代谢综合征患者抑郁风险的机器学习模型.
• 为了确定导致MetS群体抑郁症的关键因素.

主要方法:

• 利用了2011年和2015年中国健康与退休长度研究 (CHARLS) 的数据.
• 应用最小绝对收缩和选择运算符 (LASSO) 来从38个初始变量中选择11个关键特征.
• 开发并比较了六种机器学习模型,包括逻辑回归 (LR) 和极端梯度提升 (XGBoost),用于抑郁风险预测.

主要成果:

• 对5204名MetS患者的分析显示,抑郁症的患病率为48.6% (CESD-10得分≥10).
• 在试验组中,LR和XGBoost模型表现出相同的预测性能 (AUC:0.749).
• 优化的XGBoost模型在验证集上获得了0.737的AUC,证实了其预测能力.

结论:

• 诺莫图和SHAP可视化提供了可靠的工具,用于预测MetS患者的抑郁症.
• LR和XGBoost模型对于早期抑郁症检测和预防具有显著的临床实用性.
• 研究结果为医疗保健专业人员和社区工作人员提供了有价值的见解,帮助他们管理与MetS相关的抑郁症.