3.4/Q2，Charls最新文章解读！

文章题目：Comparison of logistic regression and machine learning methods for predicting depression risks among disabled elderly individuals: results from the China Health and Retirement Longitudinal Study

DOI：10.1186/s12888-025-06577-x

中文标题：逻辑回归与机器学习方法预测失能老人抑郁风险的比较：中国健康与养老纵向研究结果

发表杂志：BMC Psychiatry

影响因子：2区，IF=3.4

发表时间：2025年2月

今天给大家分享一篇在 2025年2月发表在《BMC Psychiatry》（2区，IF=3.4）的文章。本研究旨在建立有效的失能老人抑郁风险预测模型。

研究方法：本研究数据来源于2018年中国健康与养老纵向研究（CHARLS）。本研究将失能定义为至少一项日常生活活动（ADL）或工具性日常生活活动（IADL）的功能障碍。抑郁症状采用10项流行病学研究中心抑郁量表（CES-D10）进行评估。我们使用SPSS 27.0筛选出与失能老年人抑郁症相关的独立危险因素变量。随后，使用R 4.3.0构建该人群抑郁症的预测模型。使用受试者工作特征（ROC）曲线、校准图和决策曲线评估模型的鉴别力、校准和临床净收益。

Table&Figure

结果解读：本研究纳入了 3,107 名 60 岁及以上的残疾老年人。自我评价健康状况不佳、疼痛、缺乏照料者、认知障碍和睡眠时间较短被确定为残疾老年人患抑郁症的独立风险因素。XGBoost 模型在训练集中表现出色，而逻辑回归模型在验证集中表现更佳，AUC 分别为 0.76 和 0.73。校准曲线和 Brier 评分（Brier：0.20）表明模型拟合良好。此外，决策曲线分析证实了该模型的临床实用性。

结论：该预测模型具有良好的预测效果，有助于医护人员和家属评估失能老人的抑郁症风险，从而能够及早发现抑郁症高危老人。 

大家在科研路上，可以借鉴这种研究方法，为自己的课题添砖加瓦。万层高楼平底起，一起加油呀！