中国独居慢病老年人抑郁风险预测模型的构建

中国独居慢病老年人抑郁风险预测模型的构建

随着人口老龄化的加剧，独居慢病老年人群体日益庞大，抑郁症问题日益凸显。本文基于中国健康与养老追踪调查（CHARLS）项目数据，构建了独居慢病老年人抑郁风险预测模型，为早期识别和预防提供了科学依据。

研究背景

随着老龄化的进一步发展和预期寿命的增加，我国独居老年人数量呈上升趋势。数据显示，我国独居老年人口达到了2 486.1万人。《中国老年心理健康白皮书》报告，90%以上的老年人均有不同程度的心理障碍，且在独居老年人中更普遍。2021年中国仅有0.5%的抑郁症患者得到了充分的治疗。老年人罹患抑郁症受到多方面因素的影响，包括个人健康状况、家庭关系、社会经济状况、生活环境等；独居老年人面临着更多的生活变化和挑战，独居、丧偶、子女离家、社交活动减少等，这些因素可引起情感上的困扰和心理问题，从而增加罹患抑郁症的风险。国家卫健委公布，我国约有1.9亿老年人患有慢性疾病（以下简称“慢病”），其中75%的老年人患有至少1种慢病。慢病老年人面临疾病负担、疼痛、身体不适、长期用药等问题，可能引起焦虑、自卑、无价值感的负面情绪，倘若负面情绪未能得到及时处理，最终可能导致抑郁、焦虑、恐惧、神经衰弱、精神分裂等心理疾病，严重者甚至产生自杀倾向。目前我国独居慢病老年人抑郁预测模型研究相对较少，且多基于单中心调查研究。列线图预测模型是一个对用户友好的图形工具，通过列线图可视化呈现，可以动态、直观、快捷地早期预测独居慢病老年人发生抑郁风险的概率 ，因此，本研究旨在构建独居慢病老年人抑郁症发生风险预测模型，为老年人抑郁症的早期防控提供科学依据。

研究方法

本研究数据来源于第五轮中国健康与养老追踪调查（CHARLS）项目，该项目由北京大学国家发展研究院主导，对我国45岁及以上中老年人基本情况、健康状况、家庭和经济水平等数据进行动态持续的纵向调查，数据完全公开且质量在世界同类项目中位居前列。CHARLS项目获得了北京大学生物医学伦理委员会的批准，本研究申请授权后下载数据。

纳入标准：①60岁及以上老年人；②独居；③患有慢病。排除标准：①抑郁评估调查不全及条目缺失；②社会人口学资料和生活习惯应答条目缺失。根据是否抑郁，将患者分为抑郁症组和无抑郁症组。

采用R 4.3.0软件进行数据分析，不符合正态分布的计量资料以中位数和四分位间距[M（P25，P75）]表示，组间比较采用Mann-Whitney U检验；计数资料以例数和百分比（n，%）表示，组间比较采用χ2检验或Fisher精确检验，以Lasso回归筛选变量，筛选出的变量使用多因素Logistic回归构建抑郁发生风险预测模型。数据集采用简单随机拆分法按7 ∶ 3比例分为训练集和验证集。采用“rms”、“nomogram”包绘制列线图；使用“pROC”包绘制受试者工作特征（ROC）曲线和曲线下面积（AUC），计算AUC值、灵敏度、特异度、准确性，评价预测结果的真实性和预测模型的区分度；采用“glmnet”包绘制Calibration校正曲线，评估模型的校准能力；使用Hosmer-Lemeshow检验（H-L检验）评价模型的拟合优度；采用“rmda”包绘制临床决策曲线（DCA）和临床影响曲线（CIC）评估模型临床适用性。P＜0.05为差异具有统计学意义。

研究结果

本研究纳入522名独居慢病老年人，平均年龄为（69.54±6.56）岁，其中，男性240例（45.98%）、女性282例（54.02%），抑郁患病率为50.38%。抑郁症组（263例）和无抑郁症组（259例）在慢病种数、性别、自评健康、生活满意度、ADL水平、过去一个月社交活动、过去一年是否住院、两年内是否摔倒、疼痛难受频率、是否上网、是否使用手机支付、吸烟、饮酒、是否患有肾脏疾病以及与记忆有关疾病方面差异具有统计学意义（P ＜0.05）。

通过LASSO回归筛选，最终得到4个关键预测因子：自评健康、生活满意度、疼痛难受、上网。多因素Logistic回归分析结果显示，这4个因素是独居慢病老年人抑郁的主要影响因素。

构建的列线图模型在训练集和验证集上均表现出良好的预测性能：训练集AUC为0.799，验证集AUC为0.805。校准曲线显示模型具有良好的校准度，H-L检验结果表明模型拟合优度较好。临床决策曲线分析显示，在阈值概率＞15%时，使用该模型进行干预比不干预患者或者干预所有人的净获益更高。

讨论

本研究发现我国独居慢病老年人抑郁患病率为50.38%，远高于既往研究结果。较高的抑郁症患病率以及人口老龄化的快速发展，给独居慢病老年人身心健康和家庭照护带来了巨大负担和挑战。研究发现，自评健康下降、生活满意度下降、疼痛、不会上网是独居慢病老年人发生抑郁的主要风险因素。

本研究存在一定的局限性。首先，本研究采用横断面调查，无法证实独居与抑郁的因果关系，不能判断抑郁严重程度。其次，数据清洗后样本量较小，独居慢病老年人发生抑郁除独居、慢病、生活习惯外，还可能受到遗传因素、人格、经济水平、家庭关系、生活环境等混杂因素的影响。最后，研究采用具有中国独居慢病老年人代表性的数据分析，预测模型采用内部验证，没有进行外部验证。未来仍需多中心、大样本研究对预测模型进行外部验证和完善，可使用机器学习新型技术并运用到临床评估中，为临床医务人员提供可靠、便捷的早期识别独居老年人抑郁发生风险的评估工具。

结论

独居慢病老年人抑郁的患病率较高，自评健康下降、生活满意度下降、疼痛、不会上网明显增加独居慢病老年人发生抑郁的风险，社区工作人员应当重点关注独居慢病老年人的心理健康。对抑郁风险高危的老人进行早期干预，减少并延缓独居慢病老年人抑郁症状发生。

表1有无抑郁症独居慢病老年人一般特征比较（n，%）
Table1.Comparison of general characteristics of elderly people living alone with chronic diseases with and without depression (n, %)
注：*非正态分布的计量资料以中位数和四分位间距[M（P25，P75）]表示；ADL. 日常生活活动能力；#为Fisher精确检验结果。

图1LASSO回归系数和回归二项偏差曲线图
Figure1.LASSO regression coefficient and regression binomial deviation curve

图2独居慢病老年人抑郁发生风险预测模型列线图
Figure2.Nomogram of predictive model for depression risk in elderly living alone with chronic diseases

图3独居慢病老年人抑郁风险预测模型ROC曲线
Figure3.ROC curves of depression risk prediction models for elderly living alone with chronic diseases
注：A. 训练集；B. 验证集。

图4独居慢病老年人抑郁风险预测模型的校准曲线
Figure4.Calibration curves of depression risk prediction models for elderly living alone with chronic diseases
注：A. 训练集；B. 验证集。

图5独居慢病老年人抑郁发生风险预测模型的临床决策曲线和临床影响曲线
Figure5.Clinical decision curve and clinical impact curve of risk prediction models for elderly living alone with chronic diseases
注：A. 训练集临床决策曲线；B. 训练集临床影响曲线；C. 验证集临床决策曲线；D. 验证集临床影响曲线。