随着全球人口老龄化和经济不平等的加剧，抑郁症的社会经济影响因素（如收入、教育、健康行为等）呈现出复杂性和多样性。
传统线性模型难以捕捉这些多因素交互作用，因此需要借助机器学习等先进方法揭示抑郁症的异质性风险因素，为精准干预提供依据。
2025年8月4日，华中科技大学学者联合HRS、CHARLS、SHARE、ELSA、MHAS数据库，在医学顶刊Nature子刊《Npj Digital Medicine》（医学一区Top，IF=15.1）发表了一篇题为：“Determinants of depressive symptoms in multinational middle-aged and older adults”的研究论文。
本研究旨在通过构建可解释的跨国抑郁症风险预测模型，利用SHAP法量化社会经济因素（收入、财富、数字包容性等）的贡献度，识别不同收入/性别亚组的异质性风险模式，为精准干预提供依据。
在公共数据库与孟德尔随机化公众号回复“原文”即可获得文献PDF等资料，如果进一步需要CHARLS数据库方法学习，请联系郑老师团队，微信号：aq566665
研究整合了五个国际队列的数据：
HRS (美国健康与退休研究)
CHARLS (中国健康与养老追踪调查)
SHARE (欧洲健康、老龄化和退休调查)
ELSA (英国老龄化纵向研究)
MHAS (墨西哥健康与老龄化研究)
最终共纳入68,372名50岁及以上参与者，涵盖16个国家，数据包括人口统计、社会经济状况、生活方式和健康指标等。
图1 五个队列联合预测的研究流程图
研究采用六种机器学习算法（XGBoost、LightGBM、逻辑回归、支持向量机、随机森林和AdaBoost）预测抑郁症风险，通过SHAP值解释模型特征重要性，并按收入和性别分层分析风险因素的异质性。
主要研究结果
研究结果显示，在6种机器学习算法中，XGBoost在四个队列（CHARLS、SHARE、HRS、MHAS）中预测抑郁症风险的性能最佳（AUC为0.6777 - 0.8771），而LightGBM则在ELSA中表现最优（AUC为0.9011）。
图2 内部和外部验证的ROC曲线
a-e分别对应 SHARE、MHAS、ELSA、HRS 和 CHARLS 数据库
同时，SHAP分析确定了自评健康是大多数队列中最强的预测因子，但在MHAS中性别更为重要。
图3 对各队列的最佳模型进行SHAP分析
此外，按收入和性别进行的亚组分析表明，财富、就业、数字包容性和婚姻状况对低收入群体的影响更显著。
并且风险因素存在明显的性别差异，具体表现为：男性中吸烟贡献度更高（SHARE男+0.13 vs 女+0.08），而女性中婚姻状态更显著。
综上所述，研究强调了机器学习在传统模型之外揭示微妙的、依赖于环境的风险概况的能力，强调了有必要采取量身定制的干预措施，以解决老龄化人口的各种脆弱性，特别是那些低收入群体。
-gqWJ.jfif)
-PCZZ.jfif)
-DCBQ.jfif)
