利用肾虚问卷预测中年人的抑郁状况：一项探索性机器学习研究

《EXPLORE》：Predicting depression in middle-aged adults using kidney deficiency questionnaire: an exploratory machine learning study

　　

权昌英（Chan-Young Kwon）| 李博拉姆（Boram Lee）| 高美美（Mi Mi Ko）| 金永恩（Young-Eun Kim）| 李俊翰（Junghan Lee）| 郑世载（Seojae Jeon）| 郑载允（Jeeyoun Jung）

韩国釜山东义大学韩国医学学院东方神经精神病学系

摘要

在韩国医学（KM）中，肾虚理论上代表与年龄相关的生理衰退，这与抑郁症有关。然而，其在现代临床框架中的实证预测价值尚未得到充分探索。本研究旨在通过将肾虚与心理社会变量相结合，开发并验证一个用于预测中年人抑郁症的机器学习模型。我们分析了来自“韩国医学老龄化队列研究”（Korean Medicine for Aging Cohort study）的1,000名50–65岁社区居住成年人的基线数据。抑郁症的诊断标准为老年抑郁量表简表（Geriatric Depression Scale Short Form, GDS-SF-K）得分≥5。预测因素包括肾虚问卷（KDQ）、心理社会变量（社会支持）和人口统计信息（BMI）。机器学习模型通过5折交叉验证，并基于精确度-召回率曲线下面积（PR-AUC）进行训练和选择。最终模型在独立测试集上进行了验证。在参与者中（平均年龄57.4±4.2岁，76.3%为女性），有164人（16.4%）符合抑郁症标准。最优模型是一个多层感知器模型，结合了KDQ总分、社会支持和BMI。在独立测试集中，该模型取得了0.820的ROC-AUC（95%置信区间：0.752–0.879）、0.521的PR-AUC（95%置信区间：0.381–0.660）、0.673的敏感性和0.757的特异性。将标准化的肾虚评估与关键的心理社会因素相结合，可以提供一个相对准确且简洁的抑郁症预测模型。本研究首次为韩国医学这一概念的预测效用提供了定量证据，表明考虑系统性躯体衰退和心理社会健康的综合方法可以改善中年人的抑郁症风险分层。

引言

抑郁症是导致残疾的主要原因之一，在全球范围内造成了巨大的且持久的负担，尤其是在中老年人群中。¹在这一人群中，抑郁症的临床表现往往具有多样性，常常与衰老的身体症状和共病慢性疾病重叠，这给诊断和治疗带来了复杂性。²其病因被认为是生物学、心理学和社会因素相互作用的结果，形成了一个多因素的“因果网络”。³鉴于现有证据的分散性和复杂性，开发准确的预测模型面临重大挑战。在韩国，全国代表性数据显示，重度抑郁症状的患病率从2014年的4.7%增加到2018年的7.0%，同期亚阈值抑郁的患病率也从12.9%上升到15.2%。⁴值得注意的是，在50–59岁年龄段，抑郁症的患病率增长最为显著，这凸显了对这一人群进行针对性早期检测策略的紧迫性。⁴抑郁症的影响不仅限于个人：中年抑郁与认知能力加速下降、照顾者负担增加、职业功能下降以及长期医疗成本大幅上升有关。

在这个背景下，与年龄相关的生理衰退是一个关键的生物学因素。韩国医学（KM）通过“肾虚”这一概念来理解这种系统性衰退，这是一种包括活力下降、认知变化和情感脆弱性在内的综合征，而不仅仅是孤立的器官病理。^5,6在传统中医和韩国医学理论中，肾脏被视为一个功能性概念，调控着多个生理系统，包括神经内分泌系统、生殖系统和肌肉骨骼系统，而不仅仅是解剖学上的肾脏器官。⁷实验进一步表明，肾阳虚综合征与下丘脑-垂体-肾上腺（HPA）轴的失调和线粒体功能受损有关。⁸这种多组分综合征可能作为一个整合性概念，反映了或与晚年抑郁症的已知生物标志物相互作用。此外，将肾虚作为预测指标在临床上具有实用性，因为这一概念直接与一系列韩国医学治疗干预措施相关，如草药医学和针灸，这些方法旨在管理这种综合征。^5,

然而，定量建模像肾虚这样的多症状综合征与像抑郁症这样的多因素结果之间的关系是一个重大的分析挑战。这些关系被认为是复杂且非线性的，涉及肾虚症状与其他心理社会变量之间的高阶交互。虽然传统统计模型在捕捉这些模式方面存在局限性，但机器学习（ML）算法专门设计用于从高维度数据中揭示这些关系。⁹中年是一个关键的过渡期，此时衰老的生理变化开始加速，但预防性干预可以最为有效。¹⁰因此，在这个阶段识别出具有高抑郁症风险的个体是促进健康衰老的关键公共卫生重点。

因此，本研究旨在利用标准化的肾虚问卷（KDQ）数据和关键的心理社会变量，开发并评估一个用于预测中年人抑郁症的探索性机器学习模型。

章节摘录

研究设计与参与者

本研究是对“韩国医学老龄化队列”（KoMAC）研究的基线数据的二次分析，该研究包括1,000名50–65岁的社区居住成年人。¹¹KoMAC是一项前瞻性、多中心队列研究，旨在调查进入老年阶段的韩国社区居住成年人的健康衰老模式和决定因素，特别关注韩国医学概念在预测与年龄相关的健康轨迹中的作用。¹¹招募工作

参与者特征

共纳入了1,000名50–65岁的社区居住成年人，其中16.4%（n=164）被归类为抑郁症组（GDS-SF-K ≥ 5）。如表1所示，抑郁症组的KDQ总分显著更高（54.1 ± 11.0 vs. 43.4 ± 10.3，p < 0.001），社会支持得分显著更低（67.1 ± 15.2 vs. 79.7 ± 13.1，p < 0.001）。两组在年龄、性别分布等方面没有显著差异。

讨论

本研究旨在通过将标准化的韩国医学肾虚测量方法与关键心理社会变量相结合，开发并评估一个用于预测社区居住中年人抑郁症的探索性机器学习模型。据我们所知，这是首个通过整合韩国医学中的肾虚模式与心理社会因素来预测中年人抑郁症的机器学习模型。最终优化的多层感知器模型

结论

据我们所知，本研究首次提供了证据，证明韩国医学中的肾虚概念可以成功整合到机器学习框架中，用于预测中年人的抑郁症。最终的多层感知器模型结合了KDQ总分、感知社会支持和BMI，在独立测试集上取得了0.820的ROC-AUC（95%置信区间：0.752–0.879）和0.922的高阴性预测值（95%置信区间：0.885–0.955），显示出临床意义

资金支持

本研究得到了韩国东方医学研究所（Korea Institute of Oriental Medicine）的资助（项目编号：KSN2312021）。

数据可用性

本研究使用和/或分析的数据集可应相应作者的要求提供。

伦理考虑

本研究遵循《赫尔辛基宣言》的指导原则，并获得了韩国益山Wonkwang大学韩国医学医院（批准编号：WKUIOMH-IRB-2023-05）和江原综合医疗医院（批准编号：WKUJIM-202307-001）的机构审查委员会批准（批准日期：2023年8月16日和2023年8月21日）。所有参与者在参与研究前均获得了书面知情同意。

CRediT作者贡献声明

权昌英（Chan-Young Kwon）：撰写 – 审稿与编辑，撰写 – 原稿撰写，可视化，方法论设计，概念化。李博拉姆（Boram Lee）：撰写 – 审稿与编辑，概念化。高美美（Mi Mi Ko）：撰写 – 审稿与编辑，数据管理。金永恩（Young-Eun Kim）：撰写 – 审稿与编辑，数据管理。李俊翰（Junghan Lee）：撰写 – 审稿与编辑，数据管理。郑世载（Seojae Jeon）：撰写 – 审稿与编辑，数据管理。郑载允（Jeeyoun Jung）：撰写 – 审稿与编辑，监督，资金获取，数据处理