通过跨时滞面板数据分析，研究探讨了“高配婚姻”（即教育水平相当的人结婚）对中国人心理健康的影响，包括教育匹配性、婚姻幸福感、主观社会经济地位以及抑郁症状等方面

《Journal of Affective Disorders》：Is marrying up better for mental health? Educational assortative mating, marital well-being, subjective socioeconomic status, and depressive symptoms among Chinese adults: Evidence from cross-lagged panel networks

心血管疾病患者抑郁风险预测模型开发及验证。采用CHARLS 2020数据训练和2018数据验证，对比Logistic回归、决策树等8种机器学习模型，AdaBoost模型表现最优。SHAP分析显示生活满意度、日常活动能力、睡眠时间和自评健康为关键预测因子。

　　

林张|李文静|范鹏新|薛佳乐|谢娟娟|桂文军|周宇江

中国宁波大学心理学系与研究所，宁波，315211

摘要

背景

心血管疾病（CVD）常与抑郁症共病，显著影响患者的预后和生活质量。本研究旨在利用机器学习（ML）开发并验证一个预测模型，以评估CVD患者的当前抑郁风险。

方法

数据来源于中国健康与退休纵向研究（CHARLS）。2020年的数据用于模型训练和测试，而2018年的数据则用于时间验证。采用了八种ML模型，包括逻辑回归（LR）、决策树（DT）、随机森林（RF）、极端梯度提升（XGBoost）、梯度提升树（GBT）、自适应提升（AdaBoost）、支持向量机（SVM）和K最近邻（KNN），来构建CVD患者的抑郁风险预测模型。模型性能通过接收者操作特征（ROC）曲线、精确度-召回率（PR）曲线、校准曲线和决策曲线分析（DCA）进行评估，同时通过Shapley加性解释（SHAP）方法评估模型的可解释性。

结果

AdaBoost模型的表现最为出色。SHAP分析显示，生活满意度、日常生活工具活动（IADL）、睡眠时间和自我评估的健康状况是抑郁风险的前四个预测因子。

结论

我们开发了一个用于评估CVD患者当前抑郁风险的模型，这有助于早期识别高风险个体。

引言

心血管疾病（CVD）是全球死亡和残疾的主要原因之一（Cui等人，2025年）。随着人口老龄化和生活方式的变化，CVD的患病率和疾病负担持续上升（Yan等人，2023年）。CVD常与抑郁症共病，两者具有多种病理生理机制，如自主神经系统功能障碍和慢性炎症。这些共同机制可能增加CVD患者患抑郁症的风险及其进展（Zeng等人，2025年）。研究表明，大约三分之一的CVD患者经历过抑郁发作（Krittanawong等人，2023年）。患有抑郁症的CVD患者更容易出现急性加重，并且治疗依从性明显较差，从而形成恶性循环（Wang等人，2025年）。这不仅严重损害了患者的生活质量，也给家庭和社会带来了沉重的护理负担和经济压力（Dong等人，2023年）。然而，目前的抑郁筛查工具，如临床访谈和标准化量表，需要经过培训的人员来进行管理和解释，这限制了它们在常规临床实践中的可行性。抑郁症经常与CVD共存，并对患者的健康和福祉产生不利影响。因此，早期识别这一人群的抑郁风险对于及时干预和改善临床结果至关重要。

元分析表明，抑郁风险受多种因素的复杂相互作用影响，包括人口统计特征、健康状况和心理社会因素（Ma等人，2025年；Saldivia等人，2023年；Sun等人，2017年）。因此，一个人的身心健康状况并非由单一因素决定。健康促进模型（HPM）进一步强调了个人属性、行为模式和环境因素之间的协同作用（Andersen，2024年）。传统的统计方法往往难以充分捕捉变量之间的复杂非线性关系，这限制了它们在临床风险预测中的实际应用。机器学习（ML）利用算法和统计模型使系统能够自主从数据中学习模式，并据此进行预测或决策（Jordan和Mitchell，2015年）。与传统方法相比，ML模型在识别数据中的复杂高维模式方面表现出更强的能力，并已被广泛应用于风险预测模型的开发中（Ke等人，2025年；Zhao等人，2025年）。尽管目前已有针对老年人群或慢性病组的抑郁风险预测模型（Williams等人，2020年；Zhao等人，2025年），但CVD患者是一个具有独特易感性和抑郁发病机制的亚群（Zeng等人，2025年）。鉴于这种独特的易感性，现有通用模型在CVD患者中的预测准确性可能有限。因此，本研究旨在基于健康促进模型，整合多维因素并运用ML方法，开发一个高效、准确且可解释的CVD患者抑郁风险预测模型。该模型旨在评估CVD患者的当前抑郁风险，识别关键预测因子，从而为早期临床筛查和针对性干预提供依据。

部分摘录

数据来源

本研究基于2020年中国健康与退休纵向研究（CHARLS）数据库的数据，该数据库是对中国45岁及以上人群的持续全国性纵向调查。CHARLS研究遵循了赫尔辛基宣言中规定的伦理原则。所有CHARLS数据均获得了北京大学伦理审查委员会（IRB00001052–11015）的批准，并且所有参与者都提供了知情同意。参与者的纳入标准如下：

参与者特征

表1展示了2020年CHARLS数据库中纳入的参与者的基线特征。最终分析样本包含5239人（均值±标准差=69.57±6.38）。患有抑郁症和未患抑郁症的参与者在人口统计学特征、共病情况和健康状况方面存在显著差异。训练集和测试集之间没有观察到实质性差异（表S2）。2018年的数据作为时间验证集，其特征与训练集进行了比较

讨论

本研究利用CHARLS的数据，开发并验证了一个基于ML的预测模型，用于评估CVD患者的当前抑郁风险。目前用于抑郁症状筛查的工具，如临床访谈和标准化量表，需要经过培训的人员来进行管理和解释，这限制了它们在常规筛查和大规模评估中的实际应用。通过纳入标准化变量（包括人口统计特征），

结论

总之，本研究通过比较八种ML模型，开发了一个用于评估CVD患者当前抑郁风险的预测模型。结果表明，基于AdaBoost的模型表现最佳，生活满意度、IADL、睡眠时间和自我评估的健康状况被确定为CVD患者抑郁的核心预测因子。这些发现为CVD患者的早期筛查和个性化干预提供了科学工具，有助于

CRediT作者贡献声明

林张：撰写——初稿撰写，资金获取，正式分析。李文静：撰写——初稿撰写。范鹏新：正式分析。薛佳乐：数据整理。谢娟娟：数据整理。桂文军：资金获取，概念构思。周宇江：撰写——审阅与编辑。

出版同意

所有参与者均提供了书面知情同意。

伦理声明

CHARLS研究遵循了赫尔辛基宣言中规定的伦理原则。所有CHARLS数据均获得了北京大学伦理审查委员会（IRB00001052–11015）的批准。

资助

本工作得到了浙江省高等教育机构重大人文与社会科学研究项目（项目编号：2024GH025）；浙江省哲学与社会科学规划项目（项目编号：25NDJC041YB）；省级大学基础科学研究经费（项目编号：SJWZ2023007）的支持。

利益冲突声明

作者声明没有利益冲突。

致谢

我们感谢中国健康与退休纵向研究（CHARLS）的工作人员和参与者对本工作的宝贵贡献。同时，我们也感谢所有为这项研究做出贡献的人士。