DOI: https://doi.org/10.1371/journal.pone.0349135
PMID: https://pubmed.ncbi.nlm.nih.gov/42258471
تاريخ النشر: 2026-06-08
المؤلف: Tao-Ming Dai وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تسلط الأبحاث الضوء على أداء نماذج التعلم الآلي المختلفة في التنبؤ بمخاطر الاكتئاب بين كبار السن، مع قيم منطقة تحت المنحنى (AUC) تتراوح من 0.61 إلى 0.72. أظهرت نماذج آلة الدعم (SVM) ونموذج بايز الغاوسي تمييزًا متفوقًا؛ ومع ذلك، وُجد أن حساسيتها في تحديد حالات الاكتئاب كانت محدودة.
باستخدام تحليل SHAP (SHapley Additive exPlanations)، حددت الدراسة ألم الأطراف السفلية وعلاقة غير خطية مع مؤشر كتلة الجسم كمتنبئين مهمين لمخاطر الاكتئاب. تؤكد النتائج على أهمية دمج التعلم الآلي القابل للتفسير ضمن إطار بيولوجي نفسي اجتماعي، مما يكشف أن الميزات المتعلقة بالألم تلعب دورًا حاسمًا في فهم أنماط مخاطر الاكتئاب. وبالتالي، بينما قد لا تكون هذه النماذج مثالية للفحص السريري المباشر، إلا أنها قيمة لاستكشاف عوامل المخاطر على مستوى السكان المرتبطة بالاكتئاب.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على القضية الملحة للاكتئاب بين البالغين في منتصف العمر وكبار السن في الصين، لا سيما في سياق شيخوخة السكان السريعة. تشير منظمة الصحة العالمية إلى انتشار 13.5% لاضطرابات الاكتئاب بين الأفراد الذين تتراوح أعمارهم بين 60 عامًا وما فوق، مع تفاقم الأمراض الجسدية المصاحبة لمخاطر العجز الوظيفي. تشير البيانات الحديثة من دراسة الصحة والتقاعد في الصين (CHARLS) إلى اتجاه متزايد في أعراض الاكتئاب ضمن هذه الفئة السكانية، مما يبرز الحاجة إلى استراتيجيات وقائية فعالة. ركزت الطرق التحليلية التقليدية بشكل أساسي على عوامل الخطر المعزولة، مما فشل في التقاط التداخلات المعقدة بين المحددات البيولوجية والنفسية والاجتماعية التي تسهم في الاكتئاب.
تهدف الدراسة إلى معالجة هذه القيود من خلال استخدام تقنيات التعلم الآلي القابلة للتفسير ضمن إطار بيولوجي نفسي اجتماعي. تسعى لتعزيز فهم العلاقة بين “الألم والاكتئاب” من خلال دمج 14 عرضًا ألمانيًا محددًا تشريحيًا، مما يثري توصيف هذه العلاقة الثنائية الاتجاه. علاوة على ذلك، تستخدم الدراسة نهج اختيار ميزات هجين يجمع بين الانحدار LASSO وإزالة الميزات التكرارية (RFE) لتحديد مجموعة من المتنبئين ذات الصلة السريرية. تم تصميم هذه المنهجية المبتكرة لالتقاط التفاعلات غير الخطية وعالية الأبعاد التي غالبًا ما تتجاهلها النماذج التقليدية، مما يوفر في النهاية فهمًا أكثر شمولاً للعوامل المؤثرة على أعراض الاكتئاب في هذه الفئة السكانية.
طرق البحث
في هذه الدراسة، تم استخدام بيانات من سبع موجات من دراسة الصحة والتقاعد في الصين (CHARLS) التي تمتد من 2011 إلى 2020، شاملة 38,970 بالغًا تتراوح أعمارهم بين 45 عامًا وما فوق. تم قياس أعراض الاكتئاب باستخدام مقياس مركز الدراسات الوبائية للاكتئاب (CES-D-10) المكون من 10 عناصر. لتحديد المتنبئين، بما في ذلك الخصائص السكانية الاجتماعية، وعوامل نمط الحياة، والألم في مواقع تشريحية محددة، تم استخدام نهج مزدوج للتحقق من صحة اختيار الميزات، يجمع بين الانحدار LASSO (مع $\alpha = 0.01$) وإزالة الميزات التكرارية (RFE) بناءً على نموذج الغابة العشوائية. في النهاية، تم الاحتفاظ بثمانية ميزات رئيسية، مثل مستوى التعليم، ومؤشر كتلة الجسم (BMI)، ومجموعة متنوعة من الأعراض المتعلقة بالألم.
طورت الدراسة وقيمت سبعة نماذج للتعلم الآلي – الانحدار اللوجستي، وبايرنولي وبايس الغاوسي، وآلة الدعم (SVM)، والغابة العشوائية، وزيادة التدرج المتطرف (XGBoost)، وأقرب الجيران – باستخدام مقاييس مثل الدقة، ومنطقة تحت منحنى التشغيل (AUC)، والدقة، والاسترجاع، ودرجة F1. تم إجراء تحسين المعلمات الفائقة من خلال تحسين بايزي لتعزيز قابلية تعميم النموذج وتقليل تحيز الضبط. تم إجراء التحقق الداخلي باستخدام إطار عينة مصنفة للحفاظ على توزيع الفئات، وتم تقييم أداء النموذج النهائي على مجموعة اختبار مستقلة مشتقة من تقسيم تدريب-اختبار مصنف بنسبة 7:3. يتم تفصيل سير العمل التحليلي في شكل مصاحب لضمان الشفافية في عملية النمذجة.
النتائج
تشير النتائج إلى وجود ارتباط كبير بين الألم المزمن، وخاصة في الأطراف السفلية والعمود الفقري، والحالة الاكتئابية بين المشاركين. أظهرت النماذج التنبؤية المستخدمة في الدراسة دقة تتراوح بين 61.6% إلى 71.9%، مما يشير إلى مستوى معتدل من الموثوقية في تحديد العلاقة بين الألم المزمن والاكتئاب. تؤكد هذه النتائج على أهمية معالجة الجوانب الصحية الجسدية والنفسية لدى الأفراد الذين يعانون من الألم المزمن.
المناقشة
في هذه الدراسة، استخدم المؤلفون SHAP (SHapley Additive exPlanations) لتحليل التفاعل بين المحددات الاجتماعية والأعراض الجسدية في التنبؤ بمخاطر الاكتئاب بين البالغين في منتصف العمر وكبار السن في الصين، باستخدام مجموعة بيانات تمتد لعقد من الزمن من دراسة الصحة والتقاعد في الصين (CHARLS). تسلط الأبحاث الضوء على أهمية كل من العوامل السكانية الاجتماعية – مثل الجنس، والعمر، والحالة الاجتماعية، والتعليم، والإقامة – والأعراض الجسدية، وخاصة الألم، في تشكيل مخاطر الاكتئاب. من الجدير بالذكر أن الأعراض المتعلقة بالألم، وخاصة تلك التي تؤثر على العمود الفقري والأطراف السفلية، أظهرت مساهمات تنبؤية أقوى مقارنة بالمتغيرات السكانية الاجتماعية التقليدية، مما يبرز العلاقة المعقدة بين الألم المزمن والصحة النفسية.
تكشف النتائج أن المشاركات الإناث معرضات لخطر أعلى للاكتئاب، مما يتماشى مع الأدبيات الموجودة حول الفجوات بين الجنسين في الصحة النفسية. بينما يبدو أن التحصيل التعليمي الأعلى يوفر بعض الفوائد الوقائية ضد الاكتئاب، فإن قوته التنبؤية متواضعة مقارنة بالعوامل المتعلقة بالألم. كما تؤكد الدراسة على الحاجة إلى تفسيرات دقيقة لهذه المتنبئين ضمن إطار متعدد المتغيرات، حيث تشير التباينات في مساهمات الألم إلى تأثيرات متباينة على الحالة الاكتئابية. على الرغم من أن النماذج أظهرت دقة وتمييز معقولين، إلا أن حساسيتها في تحديد الأفراد المصابين بالاكتئاب لا تزال محدودة، مما يشير إلى الحاجة إلى مزيد من تحسين المنهجيات لتعزيز قدرات الكشف المبكر. بشكل عام، تسهم هذه الأبحاث برؤى قيمة حول المحركات المتعددة الأبعاد لمخاطر الاكتئاب في الفئات السكانية المتقدمة في السن، داعية إلى اتباع نهج متكامل يأخذ في الاعتبار كل من الأبعاد الصحية الجسدية والنفسية.
DOI: https://doi.org/10.1371/journal.pone.0349135
PMID: https://pubmed.ncbi.nlm.nih.gov/42258471
Publication Date: 2026-06-08
Author(s): Tao-Ming Dai et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research highlights the performance of various machine learning models in predicting depression risk among older adults, with Area Under the Curve (AUC) values ranging from 0.61 to 0.72. Support Vector Machine (SVM) and Gaussian Naive Bayes models exhibited superior discrimination capabilities; however, their sensitivity in identifying depressive cases was found to be limited.
Utilizing SHAP (SHapley Additive exPlanations) analysis, the study identified lower limb pain and a nonlinear relationship with body mass index as significant predictors of depression risk. The findings underscore the importance of integrating interpretable machine learning within a biopsychosocial framework, revealing that pain-related features play a crucial role in understanding depression risk patterns. Consequently, while these models may not be optimal for direct clinical screening, they are valuable for exploring population-level risk factors associated with depression.
Introduction
The introduction of this research paper highlights the pressing issue of depression among middle-aged and older adults in China, particularly in the context of rapid population aging. The World Health Organization reports a prevalence of 13.5% for depressive disorders in individuals aged 60 and above, with comorbid physical illnesses exacerbating the risk of functional impairment. Recent data from the China Health and Retirement Longitudinal Study (CHARLS) indicates a rising trend in depressive symptoms within this demographic, emphasizing the need for effective prevention strategies. Traditional analytical methods have primarily focused on isolated risk factors, failing to capture the complex interdependencies among biological, psychological, and social determinants that contribute to depression.
The study aims to address these limitations by employing interpretable machine learning techniques within a biopsychosocial framework. It seeks to enhance the understanding of the “pain-depression” relationship by incorporating 14 anatomically specific pain symptoms, thereby enriching the characterization of this bidirectional relationship. Furthermore, the research utilizes a hybrid feature selection approach that combines LASSO regression and recursive feature elimination (RFE) to identify a clinically relevant set of predictors. This innovative methodology is designed to better capture the nonlinear and high-dimensional interactions that traditional models often overlook, ultimately providing a more comprehensive understanding of the factors influencing depressive symptoms in this population.
Methods
In this study, data from seven waves of the China Health and Retirement Longitudinal Study (CHARLS) spanning from 2011 to 2020 were utilized, encompassing 38,970 adults aged 45 and older. Depressive symptoms were measured using the 10-item Center for Epidemiologic Studies Depression Scale (CES-D-10). To identify predictors, including sociodemographic characteristics, lifestyle factors, and pain at specific anatomical sites, a dual-validation feature selection approach was employed, combining LASSO regression (with $\alpha = 0.01$) and recursive feature elimination (RFE) based on a random forest model. Ultimately, eight key features were retained, such as education level, body mass index (BMI), and various pain-related symptoms.
The study developed and evaluated seven machine learning models—logistic regression, Bernoulli and Gaussian Naive Bayes, support vector machine (SVM), random forest, extreme gradient boosting (XGBoost), and k-nearest neighbors—using metrics such as accuracy, area under the receiver operating characteristic curve (AUC), precision, recall, and F1-score. Hyperparameter optimization was conducted through Bayesian optimization to enhance model generalizability and reduce tuning bias. Internal validation was performed using a stratified sampling framework to maintain class distribution, and the final model performance was assessed on an independent test set derived from a stratified 7:3 train-test split. The analytical workflow is detailed in an accompanying figure to ensure transparency in the modeling process.
Results
The results indicate a significant correlation between chronic pain, specifically in the lower limbs and spine, and depressive status among participants. The predictive models employed in the study demonstrated an accuracy ranging from 61.6% to 71.9%, suggesting a moderate level of reliability in identifying the relationship between chronic pain and depression. These findings underscore the importance of addressing both physical and mental health aspects in individuals suffering from chronic pain.
Discussion
In this study, the authors employed SHAP (SHapley Additive exPlanations) to analyze the interplay between social determinants and somatic symptoms in predicting depression risk among middle-aged and older adults in China, utilizing a decade-long dataset from the China Health and Retirement Longitudinal Study (CHARLS). The research highlights the significance of both sociodemographic factors—such as gender, age, marital status, education, and residence—and somatic symptoms, particularly pain, in shaping depression risk. Notably, pain-related symptoms, especially those affecting the spine and lower extremities, exhibited stronger predictive contributions compared to traditional sociodemographic variables, underscoring the complex relationship between chronic pain and mental health.
The findings reveal that female participants are at a higher risk for depression, aligning with existing literature on gender disparities in mental health. While higher educational attainment appears to confer some protective benefits against depression, its predictive power is modest when compared to pain-related factors. The study also emphasizes the need for nuanced interpretations of these predictors within a multivariable framework, as the heterogeneity in pain contributions suggests varying impacts on depressive status. Despite the models demonstrating reasonable accuracy and discrimination, their sensitivity in identifying individuals with depression remains limited, indicating a need for further methodological refinement to enhance early detection capabilities. Overall, this research contributes valuable insights into the multifaceted drivers of depression risk in aging populations, advocating for integrated approaches that consider both physical and mental health dimensions.