中国农村老年人抑郁症类型及主要影响因素的识别：基于机器学习与网络分析的全面研究

《BMC Geriatrics》：Identification of depression types and key influencing factors among rural elderly in China: a comprehensive analysis based on machine learning and network analysis

　　

摘要

背景

抑郁症对中国农村地区的老年人构成了严重的公共卫生挑战。在农村环境中，慢性病负担重、医疗资源不足、家庭支持缺乏以及经济压力等因素可能导致抑郁症状的表现形式多样化。大多数传统研究采用抑郁评分或基于阈值的标准进行分类，这种方法往往忽视了症状的独特特征以及相关因素之间的相互作用。本研究旨在识别中国农村老年人的隐性抑郁类型，并通过机器学习和网络分析进一步探讨相关影响因素及其条件关联模式。

方法

数据来自2022年的中国家庭面板调查，最终样本为3,114名农村老年人。研究基于由8个项目构成的流行病学研究中心抑郁量表（CES-D8），通过潜在类别分析来确定不同的抑郁类型。随后通过单变量分析比较不同抑郁类型在人口统计和健康状况方面的差异。具有统计意义的变量则通过随机森林和LASSO回归模型筛选出来。接着运用多项逻辑回归分析核心影响因素与抑郁类型分类之间的关联。最后通过网络分析探究已筛选出因素之间的条件关联，并利用自举算法验证边权精度和中心性稳定性。

结果

在样本中发现了四种隐性抑郁类型，分别为轻度抑郁型（36.0%）、情绪障碍型（23.5%）以及高抑郁风险型（15.4%）。每种类型都有其独特的CES-D8症状特征。随机森林和LASSO模型筛选出了七个核心影响因素，分别是慢性病、身体不适、自我健康评价、医疗支出、住院服务使用情况、吸烟行为以及日常体育锻炼。多项逻辑回归分析表明，慢性病、身体不适、自我健康评价较低、医疗成本上升、住院治疗以及吸烟都是高抑郁风险型的显著风险因素，而日常锻炼则具有保护作用。网络分析结果显示，身体不适和自我健康评价在网络中处于核心位置，慢性病和医疗支出则起到连接作用。自举分析表明，所构建的网络具有较好的结构稳定性和估算精度。

结论

中国农村老年人的抑郁症存在明显的隐性异质性。健康负担、医疗经济压力、医疗服务使用情况以及健康行为都与抑郁类型的划分密切相关。身体不适和自我健康评价可作为关键指标，为农村基层医疗中的针对性筛查和优先干预提供依据。这些研究结果强调了有必要从单一阈值的抑郁评估方式转向分层类型的识别，以及针对农村老年人群体实施综合健康管理策略。