一个基于机器学习的歧视性框架,用于中年和老年中国抑郁症患者的轻度认知障碍风险:来自CHARLS和CLHLS的证据
Jin Yao1, Yan Chen2, Zhi-Can Huang2
1Chengdu Integrated TCM & Western Medicine Hospital, China; Acupuncture and Tuina School, Chengdu University of Traditional Chinese Medicine, Chengdu, China; Sichuan Provincial Acupuncture Clinical Research Center, Chengdu, China.
Journal of affective disorders
|November 14, 2025
概括
机器学习有效地对抑郁的中国老年人进行轻度认知障碍 (MCI) 的歧视. 关键因素包括教育,孤独和健康状况,有助于早期发现和干预认知健康.
科学领域:
- 老年学是一门学科.
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
背景情况:
- 抑郁症是中年和老年人群中常见的并发症.
- 轻度认知障碍 (MCI) 构成了重大的公共卫生挑战,特别是在老龄化社会中.
- 对抑郁症患者中MCI的准确区分对于及时干预至关重要.
研究的目的:
- 评估机器学习 (ML) 技术,以在中国抑郁患者中区分轻度认知障碍 (MCI).
- 在这个人口群体中确定与MCI相关的关键因素.
- 评估ML模型用于MCI检测的临床实用性.
主要方法:
- 利用了中国健康与退休长度研究 (CHARLS) 和中国长度健康生活调查 (CLHLS) 的数据.
- 采用了八种ML方法,包括随机森林 (RF),用于模型开发和验证.
- 应用了五倍交叉验证,决策曲线分析 (DCA) 和SHapley添加式扩展 (SHAP) 来进行模型评估和解释.
主要成果:
- 随机森林 (RF) 模型表现最好,在内部验证中达到0.801的AUC.
- 交叉验证证实了模型的稳定性,平均AUC为0.791.1.
- SHAP分析确定了教育,孤独,家庭登记,日常生活工具活动 (IADL) 障碍和脂质障碍症是MCI风险的重要预测因素.
结论:
- 机器学习算法在中年和老年抑郁症患者中有效区分MCI.
- 机器学习模型可以识别与MCI相关的关键因素,有助于风险分层和有针对性的干预.
- 这些发现支持ML在临床环境中的应用,用于在抑郁人口中早期检测MCI.
