Research Article

Entwicklung und Validierung eines Depressionsrisiko-Vorhersagemodells für hauslebende mittelalte und ältere Erwachsene in China basierend auf CHARLS-Daten

DOI:

10.3791/69993

⸱

March 13th, 2026

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1School of Public Health, Xinyu University, 2Research Center for Health Promotion and Behavioral Intervention, Xinyu University, 3Department of Epidemiology and Biostatistics, College of Public Health, Zhengzhou University

* These authors contributed equally

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie entwickelte und validierte ein Modell für Depressionsrisikovorhersage für zu Hause lebende mittelalte und ältere Erwachsene unter Verwendung von CHARLS-Daten. Dieses Modell integriert fünf zentrale prädiktive Faktoren. Das Nomogramm zeigte akzeptable Diskriminierung (0,766/0,664), was für die Risikostratifizierung auf Populationsebene geeignet ist und ein effektives Screening-Instrument darstellt.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Es fehlt an Forschung zu Risikovorhersagemodellen für depressive Symptome bei hauslebenden, mittelalten und älteren Erwachsenen in China. Diese Studie zielte darauf ab, ein Risikoprognosemodell zu entwickeln und die Risikofaktoren für Depressionen bei zu Hause lebenden, mittelalten und älteren Erwachsenen in China zu identifizieren, mit dem Ziel, evidenzbasierte Präventionsstrategien und Gesundheitspolitik zu informieren. Anhand der neuesten national repräsentativen CHARLS-2020-Welle (n = 14.466) entwickelten wir das erste sparsame Nomogramm zur Vorhersage depressiver Symptome (CES-D-10 ≥ 10) bei häuslich lebenden Chinesen mittleren Alters und älteren. Nach Chi-Quadrat- und multivariablen Logistikscreens identifizierte LASSO mit zehnfacher Kreuzvalidierung die fünf einflussreichsten Prädiktoren. Modelldiskriminierung (AUC), Kalibrierung (Hosmer-Lemeshow, Kalibrierungsdiagramm) und klinischer Nutzen (Entscheidungskurvenanalyse) wurden in Trainings-Test-Splits (7:3) bewertet. Von den 14.466 zu Hause lebenden mittelalten und älteren Erwachsenen hatten 5.488 (37,1 %) depressive Symptome, und 8.978 (62,9 %) erfüllten nicht die Kriterien für depressive Symptome. Das endgültige Nomogramm umfasste fünf Variablen: weibliches Geschlecht, ländlicher Hukou, Grundschulbildung oder niedriger, unverheirateter Status und Alter über 60 Jahre. Das Tool erreichte AUCs von 0,766 (95%-KI 0,752–0,780) im Trainingssatz und 0,664 (0,637–0,691) im Testset, mit ausgezeichneter Kalibrierung (P = 0,28) und positivem Nettonutzen zwischen 30 % und 50 % Risikoschwellen. Dieses Modell kann das Risiko für Depressionen bei chinesischen, zu Hause lebenden mittelalten und älteren Erwachsenen vorhersagen und dient als praktisches Screening-Tool für die frühzeitige Erkennung und das Risikomanagement von Depressionen in dieser Bevölkerungsgruppe.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Depression, als psychische Störung, die durch eine hohe Prävalenz1, niedrige Behandlungsannahmequoten und hohe Rückfallraten gekennzeichnet ist, ist zu einer großen Bedrohung für die körperliche und geistige Gesundheit von Menschen mittleren Alters und älteren Menschengeworden 2. Weltweit wird geschätzt, dass 5 % der Erwachsenen an Depressionen leiden, während bei älteren Erwachsenen dieser Wert etwa 30 % beträgt. In China zeigte eine aktuelle Studie, dass schätzungsweise 50,6 Millionen Menschen an depressiven Störungen leiden, was 17,8 % der weltweiten Belastungausmacht. Zhu et al. berichteten, dass die Inzidenz von Depressionen bei älteren Menschenin China zwischen 27,0 % und 37,3 % liegt. Darüber hinaus verschlechtert sich unter dem umfassenden Einfluss des Alterns und anderer Faktoren die psychische Gesundheit älterer Erwachsener. In China war das Wohnhausmodell die Hauptform des Wohnens und der Pflegefür Erwachsene mittleren und älteren Alters. Die Untersuchung der Prävalenz von Depressionen und ihrer Risikofaktoren bei mittelalten und älteren Erwachsenen innerhalb dieses Modells ist sowohl essenziell als auch bedeutend9.

Obwohl frühere Studien zur Depression bei mittelalten und älteren Menschen viele Aspekte abgedeckt haben, wie Internetnutzung10, Schlafdauer und -qualität11, körperliche Schmerzen12 usw., sind die meisten davon Querschnittsstudien, die sich hauptsächlich auf den Zusammenhang zwischen älteren Erwachsenen dieser Gruppe und Depression konzentrieren und deren Einflussfaktoren untersuchen 13,14,15. Bestehende Forschungen legen nahe, dass Wohnverhältnisse (häuslich vs. institutionelle Pflege) depressive Symptome bei mittelalten und älteren Bevölkerungsgruppen signifikant beeinflussen16,17. Einige Forscher nutzten auch Modelle, um Vorhersagewerkzeuge zu entwickeln, um das Risiko für Depressionen bei älterenMenschen zu bewerten. Diese Studien haben jedoch zwei wesentliche Einschränkungen: Erstens sind die bestehenden Vorhersagemodelle hauptsächlich zur Vorhersage des Depressionsrisikos in der allgemeinen älteren Bevölkerung entwickelt, da ihnen spezifische Werkzeuge für hauslebende mittelalte und ältere Erwachsene fehlen; und zweitens ist die klinische Anwendung dieser Ergebnisse unzureichend.

Daher zielt diese Studie darauf ab, ein Modell für Depressionsrisikovorhersage zu erstellen, das auf zu Hause lebende, mittelalte und ältere Erwachsene in China anhand von Daten aus dem CHARLS von 2020 anwendbar ist. Soweit wir wissen, stellt dies das erste sparsame Nomogramm dar, das speziell für diese Population entwickelt wurde, wodurch es von bestehenden Modellen unterschieden wird, die überwiegend die allgemeine ältere Bevölkerung ansprechen, ohne den Einfluss der Wohnverhältnisse zu berücksichtigen. Durch die Analyse dieses Modells wollten wir wichtige Risikofaktoren identifizieren und so eine theoretische Grundlage für die Entwicklung gezielter Interventionen schaffen. Die Modellentwicklung basierte auf dem Stress-Verwundbarkeits-Rahmenwerk, das besagt, dass Depression aus der Wechselwirkung zwischen demografischen Verwundbarkeiten und chronischen Stressoren im Wohnkontext resultiert20. Diese Studie soll zur Verbesserung der psychischen Gesundheitsdienste, zur Entwicklung gezielter Politiken und zur Erhöhung der gesellschaftlichen Stabilität beitragen.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Forschung wurde vom Biomedizinischen Ethikkomitee der Peking-Universität (IRB00001052-11015) genehmigt. Alle Probanden gaben eine informierte Einwilligung.

Studienpopulation
Die Daten für diese Studie stammen aus CHARLS 2020, das 150 Einheiten auf Landkreisebene und 450 auf Dorfebene im ganzen Land umfasst, darunter etwa 10.000 Haushalte sowie 19.395 Personen mittleren Alters und älteren Personen im Alter von 45 Jahren undüber 21 Jahren. Die Umfrage verwendete einen mehrstufigen Probabilitätsstichprobenansatz. Personen wurden eingeschlossen, wenn sie folgende Kriterien erfüllten: Alter von 45 Jahren oder älter; ausgewähltes Wohnhaus als Antwort auf die Fragebogenfrage BA007: Was ist die Art der Wohnadresse?; und lieferte eine klare Antwort auf die 10-Item-Depressionsskala des Center for Epidemiological Studies (CES-D-10). Personen wurden ausgeschlossen, wenn sie eines oder mehrere der folgenden Kriterien erfüllten: Antworten, die auf nicht-Wohnsitz hinwiesen (einschließlich Gemeinden, Krankenhäuser und andere oder fehlende); Mangel an Informationen über Depressionen; Mangel an Informationen zu relevanten Kovariaten. Letztlich wurden 14.466 Erwachsene, die die ursprünglichen Kriterien erfüllten, in diese Studie eingeschlossen. Der detaillierte Prozess der Teilnehmerauswahl ist in Abbildung 1 dargestellt.

figure-protocol-1
Abbildung 1: Ein Flussdiagramm zur Auswahl der Studienpopulation. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Definition der Variablen
Depressive Symptome wurden mit einer vereinfachten Version des CES-D-10 bewertet, die in früheren Studieneine hohe Zuverlässigkeit und Validität aufweist. Der CES-D-10 hat 10 Elemente mit vier Skalen: 0 = nie, 1 = manchmal oder selten, 2 = oft und 3 = immer, und die fünften und achten Punkte werden umgekehrtmit 24 bewertet. Die Gesamtpunktzahl der Depressionsskala wird durch die Summe aller 10 Elemente von 0 bis 30 ermittelt; Je höher der Punkt, desto schwerwiegender sind die depressiven Symptome der Person. Basierend auf früheren Studien mitmittelalten und älteren Bevölkerungsgruppen wurden 25,26 Teilnehmer mit CES-D-10-Scores ≥10 als depressive Symptome eingestuft, während Scores <10 als nicht-depressiv eingestuft wurden.

Die von allen Studienteilnehmern gesammelten Informationen umfassen demografische Angaben (Alter, Geschlecht, Familienstand, Wohnsitz und Bildungsniveau), Lebensgewohnheiten und körperlichen Gesundheitszustand (körperliche Aktivität, Rauchen, Trinken, soziale Interaktionen, selbstbewertete Gesundheit, Stand chronischer Krankheiten und Nickerchenzeit) sowie Informationen zu Lebensbedingungen und Kindern (Zufriedenheit mit den Lebensbedingungen, Familienstand der Nachkommen), und den Gesundheitszustand der Nachkommen). Chronische Krankheiten werden von Ärzten diagnostiziert und umfassen Bluthochdruck, Dyslipidämie, bösartige Tumore, chronische Lungenerkrankungen, Herzkrankheiten, Schlaganfall, Arthritis und Rheuma.

Statistische Analyse
Binäre logistische Regressionsanalyse
Kategoriale Variablen werden als Häufigkeiten und Prozentsätze dargestellt. Chi-Quadrat-Tests wurden durchgeführt, um Unterschiede in der Depressionsinzidenz verschiedener demografischer Merkmale innerhalb der Studienpopulation zu untersuchen. Eine binäre logistische Regressionsanalyse wurde durchgeführt, um signifikante Faktoren zu identifizieren, die mit depressiven Symptomen assoziiert sind. Diese statistischen Analysen wurden mit SPSS-Software (Version 21.0) durchgeführt.

LASSO-Regression
In R-Version 4.3.2 wurde der Datensatz zufällig in einen Trainingssatz und einen Testsatz im Verhältnis 7:3 aufgeteilt, wobei ein fester zufälliger Seed verwendet wurde, um die Reproduzierbarkeit sicherzustellen. Konkret wurden 70 % der Daten dem Trainingssatz für die Modellentwicklung zugeordnet und 30 % dem Testsatz für unabhängige Validierung. Erstens wurden Variablen, die statistisch signifikant (p < 0,05) in der binären logistischen Regression waren, in die LASSO-Regressionsanalyse einbezogen, um Überanpassungen durch Verkleinerung der Koeffizienten zu verhindern. Der optimale Lambda-Wert wurde durch 10-fache Kreuzvalidierung bestimmt. Der lambda.1se wurde basierend auf der einzigen Standardfehlerregel ausgewählt, um die optimale Variablenauswahl zu erreichen. Lasso-Schrumpfung wurde eingesetzt, um Überanpassungen zu verhindern, indem die Koeffizienten weniger wichtiger Variablen in Richtung Null reduziert wurden. Für weitere Details konsultieren Sie bitte die Ergänzungsakte 1 (Punkt 1).

Nomogrammkonstruktion
Die relative Bedeutung der ausgewählten Prädiktoren wurde nach der absoluten Größe ihrer standardisierten Koeffizienten bewertet und mit einem Waldplot visualisiert. Ein prädiktives Nomogramm wurde mit dem rms-Paket erstellt, basierend auf der endgültigen logistischen Regressionsgleichung. Für weitere Details konsultieren Sie bitte die Supplementary File 1 (Punkt 2).

Modellvalidierung
Die Diskriminierung wurde durch Berechnung der Fläche unter der Empfänger-Betriebscharakteristik (AUC) mit dem pROC-Paket berechnet. Der AUC wurde separat für das Trainings- und Testset berechnet. Typischerweise deutet ein AUC größer als 0,75 auf eine gute Diskriminierung hin. Für weitere Details siehe bitte Supplementary File 1 (Punkt 3).

Kalibrierung: Die Modellkalibrierung wurde mit dem Hosmer-Lemeshow-Goodness-of-Fit-Test bewertet und mit Kalibrierungskurven visualisiert, die vom RMS-Paket generiert wurden, wobei vorhergesagte Wahrscheinlichkeiten gegen beobachtete Frequenzen dargestellt wurden. Ein nicht signifikanter Hosmer-Lemeshow-Test (S. > 0,05) zeigt eine gute Kalibrierung. Für weitere Details konsultieren Sie bitte die Zusatzakte 1 (Punkt 4).

Klinischer Nutzen: Der klinische Nutzen wurde mittels Entscheidungskurvenanalyse (DCA) mit dem RMDA-Paket bewertet, wobei der Nettonutzen über Schwellenwahrscheinlichkeiten von 0 % bis 100 % berechnet wurde. Für weitere Details konsultieren Sie bitte die Ergänzungsakte 1 (Punkt 5).

Validierung von Zufallswäldern: Als ergänzende Validierung wurde ein Zufallswaldmodell mit dem randomForest-Paket implementiert, um die Modellstabilität und Generalisierbarkeit zu bewerten. Die Fehlerratenkonvergenzkurve wurde dargestellt, um die Beziehung zwischen der Anzahl der Bäume und der Vorhersagegenauigkeit sowohl im Training als auch in Testsätzen zu bewerten. Ein zweiseitiger p-Wert < 0,05 wurde als statistisch signifikanter Unterschied angesehen. Für weitere Details konsultieren Sie bitte die Ergänzungsakte 1 (Punkt 6).

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Stichprobenmerkmale
Die Studie umfasste 14.466 Teilnehmer mit folgenden Merkmalen: 46,8 % waren 60 bis 74 Jahre alt, 52,2 % weiblich und 75,2 % hatten den Status einer landwirtschaftlichen Haushaltsregistrierung. Was das Bildungsniveau betrifft, hatten 62,9 % eine Grundschulausbildung oder niedriger. Bezüglich des psychischen Gesundheitszustands zeigten 37,1 % der Teilnehmer depressive Symptome, während die übrigen 62,9 % keine depressiven Symptome zeigten. Detaillier...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie ergab mehrere zentrale Erkenntnisse zu den Risikofaktoren und zur Vorhersage depressiver Symptome bei zu Hause lebenden mittelalten und älteren Erwachsenen in China. Erstens ergab die Studie, dass 37,1 % der zu Hause lebenden mittelalten und älteren Erwachsenen in China depressive Symptome zeigten, was auf eine hohe Belastung depressiver Symptome in dieser Bevölkerungsgruppe hindeutet. Die Ergebnisse dieser Studie stimmten nicht mit den Ergebnissen einer globalen Metaanalyse...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Keiner erklärte.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie wurde vom Social Science Planning Project der Provinz Jiangxi (20SH17) und dem Science and Technology Project des Bildungsministeriums von Jiangxi (GJJ191063 und GJJ171078) unterstützt. Herzlichen Dank an die Nationale Entwicklungsschule der Peking-Universität und die Institute of Social Science Survey für die Bereitstellung der zugehörigen Daten.   Autorenbeitrag: Konzeptualisierung, X.X.Z. und J.X.X.; Methodik, J.X.X. und S.G.Z; Software, X.X.Z.; Validierung, J.X.X. und S.G.Z.; formale Analyse, S.G.Z. und R.J.W.; Ermittlungen, J.X.X. und W.C., B.B.D. und L.B.L.; Ressourcen, J.X.X., S.G.Z., W.C., B.B.D. und L.B.L.; Datenkuratierung, J.X.X. und S.G.Z; Schreiben – Vorbereitung des ursprünglichen Entwurfs, J.X.X. und S.G.Z; Schreiben—Rezension und Lektorat, X.X.Z., J.X.X., S.G.Z., R.J.W., X.J.L, Y.T.X, R.L. und W.J.H.; Aufsicht, X.X.Z. Finanzierung, X.X.Z. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und zugestimmt.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
(pROC)(Shapviz)(Flickwerk)(xgboost)(ggplot2)(rms)(RMDA)(Caret)(randomForest)(glmnet)(dplyr)(ggrepel)(Leser)CRANN/AR-Paket für Entscheidungskurvenanalyse des Risikovorhersagemodells
CHARLS-DatensatzCHARLS-TeamN/AChina Health and Retirement Longitudinal Study Dataset, verwendet für Modellentwicklung und Validierung
R  R-Stiftung für statistische Berechnung4.3.2  Statistische Software, die für Datenanalyse und Modellierung verwendet wird.
SPSS-StatistikenIBM21Software zur ergänzenden statistischen Analyse.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Herrman, H., et al. Reducing the global burden of depression: a Lancet-World Psychiatric Association Commission. Lancet. 393 (10174), e42-e43 (2019).
  2. König, H., König, H. H., Konnopka, A. The excess costs of depression: a systematic review and meta-analysis. Epidemiol Psychiatr Sci. 29 (1), e30(2019).
  3. Cai, H., et al. Global prevalence of depression in older adults: a systematic review and meta-analysis of epidemiological surveys. Asian J Psychiatr. 80, 103417(2023).
  4. Hu, T., et al. Prevalence of depression in older adults: a systematic review and meta-analysis. Psychiatry Res. 311, 114511(2022).
  5. Hu, X., Jin, W., Wang, J., Dong, H. Age, period, cohort effects in trends of depressive symptoms among middle-aged and older Chinese adults. Front Public Health. 12, 1383512(2024).
  6. Zhu, L., et al. Depressive symptoms and all-cause mortality among middle-aged and older people in China and associations with chronic diseases. Front Public Health. 12, 1381273(2024).
  7. Cui, L., et al. Factors affecting the evolution of Chinese elderly depression: a cross-sectional study. BMC Geriatr. 22 (1), 109(2022).
  8. Liang, S., Zhou, M., Zhou, C., Zhu, J., Tosi, F. Existing Chinese Elderly Care Service Models and Their Development Based on Literature Review. J Packaging Engineering. 43 (22), 408-417 (2022).
  9. Wu, H., et al. An investigation into the health status of the elderly population in China and the obstacles to achieving healthy aging. Sci Rep. 14 (1), 31123(2024).
  10. Du, X., Liao, J., Ye, Q., Wu, H. Multidimensional Internet Use, Social Participation, and Depression Among Middle-Aged and Elderly Chinese Individuals: Nationwide Cross-Sectional Study. J Med Internet Res. 25 (12), e44514(2023).
  11. Dong, J., et al. Depressive symptoms among middle-aged and older adults in China: the interaction of physical activity and sleep duration. Sleep Health. 11 (2), 214-221 (2025).
  12. Bao, M., Ma, R. Longitudinal relationship between adverse childhood experiences and depressive symptoms: the mediating role of physical pain. BMC Psychiatry. 24 (1), 947(2024).
  13. Liu, G., Zhang, J. Association of a novel nutritional index with cognitive impairment in middle-aged and elderly Chinese adults: a cross-sectional analysis from the China Health and Retirement Longitudinal Study. Front Nutr. 12, 1486917(2025).
  14. Ai, Z., Tang, C., Wen, X., Kartheepan, K., Tang, S. Examining the impact of chronic diseases on activities of daily living of middle-aged and older adults aged 45 years and above in China: a nationally representative cohort study. Front Public Health. 11, 1303137(2023).
  15. Lu, J., Ruan, Y. Exploring the reciprocal relationship between depressive symptoms and cognitive function among Chinese older adults. Healthcare (Basel). 11 (21), 2880(2023).
  16. Chen, F., Short, S. E. Household Context and Subjective Well-Being Among the Oldest Old in China. J Fam Issues. 29 (10), 1379-1403 (2008).
  17. He, W., et al. Quality of life of empty-nest elderly in China: a systematic review and meta-analysis. Psychol Health Med. 25 (2), 131-147 (2020).
  18. Gao, S., Zhang, H. Development and validation of a depression risk prediction model for rural elderly living alone. BMC Psychiatry. 25 (1), 357(2025).
  19. Zheng, Y., Zhang, C., Liu, Y. Risk prediction models of depression in older adults with chronic diseases. J Affect Disord. 359, 182-188 (2024).
  20. De Beurs, E., et al. On becoming depressed or anxious in late life: similar vulnerability factors but different effects of stressful life events. Br J Psychiatry. 179 (5), 426-431 (2001).
  21. Bai, Q., et al. Configurational effects of intergenerational support on older adults' depression: an empirical study from CHARLS data. BMC Public Health. 25 (1), 392(2025).
  22. Wang, C., Huang, Z., Lu, Z., Wang, P. Social Interaction as a vital factor in alleviating depressive symptoms among middle-aged and elderly adults: evidence from the CHARLS. Aging Clin Exp Res. 37 (2), 115(2025).
  23. Lei, X., Sun, X., Strauss, J., Zhang, P., Zhao, Y. Depressive symptoms and ses among the mid-aged and elderly in china: Evidence from the china health and retirement longitudinal study national baseline. Soc Sci Med. 120, 224-232 (2014).
  24. Jiang, X., et al. Efficacy of nondrug interventions in perinatal depression: a meta-analysis. Psychiatry Res. 317, 114916(2022).
  25. Xu, Y., et al. Decomposing socioeconomic inequalities in depressive symptoms among the elderly in china. BMC Public Health. 16 (1), 1214(2016).
  26. Yang, Y., Hou, D. L. Association of depressive symptoms and dementia among middle-aged and elderly community-dwelling adults: results from the China Health and Retirement Longitudinal Study (CHARLS). Acta Psychol (Amst). 243, 104158(2024).
  27. Piovani, D., Sokou, R., Tsantes, A. G., Vitello, A. S., Bonovas, S. Optimizing Clinical Decision Making with Decision Curve Analysis: Insights for Clinical Investigators. Healthcare. 11 (16), 2244(2023).
  28. Ndapatani, L., et al. Cervical cancer screening and treatment of VIA positive lesions among women living with HIV in Nairobi and Kajiado counties, Kenya: results from a targeted intervention implemented under the USAID Fahari ya Jamii project in supported HIV clinics. BMC Women's Health. 25, 621(2025).
  29. Yan, R., et al. Association between internet exclusion and depressive symptoms among older adults: panel data analysis of five longitudinal cohort studies. EClinicalMedicine. 75, 102767(2024).
  30. Surya, J., Kashyap, H., Nadig, R. R., Raman, R. Developing a Risk Stratification Model Based on Machine Learning for Targeted Screening of Diabetic Retinopathy in the Indian Population. Cureus. 15 (9), e45853(2023).
  31. Baldini, V., et al. A comprehensive approach to adolescent suicide prevention: insights from a narrative review perspective. Front Psychol. 16, 1612067(2025).
  32. Li, H., Liu, X., Zheng, Q., Zeng, S., Luo, X. Gender differences and determinants of late-life depression in China: a cross-sectional study based on CHARLS. J Affect Disord. 309, 178-185 (2022).
  33. Parker, G., Brotchie, H. Gender differences in depression. Int Rev Psychiatry. 22 (5), 429-436 (2010).
  34. Acciai, F., Hardy, M. Depression in later life: a closer look at the gender gap. Soc Sci Res. 68, 163-175 (2017).
  35. Choi, S. E., Zhang, Z. Caring as curing: Grandparenting and depressive symptoms in China. Soc Sci Med. 289, 114452(2021).
  36. Nguyen, A. W., Walton, Q. L., Thomas, C., Mouzon, D. M., Taylor, H. O. Social support from friends and depression among African Americans: the moderating influence of education. J Affect Disord. 253, 1-7 (2019).
  37. Ling, Y., Song, Z., Yu, Y., Jiang, T. Dealing with an aging China-Delaying retirement or the second-child policy. PLoS One. 16 (12), e0242252(2021).
  38. Bedaso, T. S., Han, B. Work after retirement affects elderly mental health and behaviors in Addis Ababa. Health Psychol Open. 8 (2), 2055102921996189(2021).
  39. Chen, F., Liu, G. The health implications of grandparents caring for grandchildren in China. J Gerontol B Psychol Sci Soc Sci. 67 (1), 99-112 (2012).
  40. Thomeer, M. B. Multiple Chronic Conditions, Spouse's Depressive Symptoms, and Gender within Marriage. J Health Soc Behav. 57 (1), 59-76 (2016).
  41. Toshishige, Y., et al. Association between marital satisfaction of female patients with persistent depressive disorder, and their own and husbands' autism spectrum disorder or attention deficit/hyperactivity disorder traits. PCN Rep. 2 (2), e95(2023).
  42. Guo, J., et al. Depression among Chinese older adults: A perspective from Hukou and health inequities. J Affect Disord. 223, 115-120 (2017).
  43. Saravanakumar, P., Muhammad, T., Paul, R., Srivastava, S. Explaining the Urban-Rural Difference in Late-Life Depression in India: Evidence from a Multivariate Decomposition Analysis Based on Longitudinal Aging Study in India, Wave 2017-18. Clin Gerontol. 47 (2), 270-287 (2024).
  44. Gao, Q., et al. Exploring the interplay of living arrangements, social support, and depression among older adults in rural northwest China. BMC Public Health. 24 (1), 3297(2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Depression RiskRisk Prediction ModelMiddle Aged AdultsOlder AdultsCHARLS DataDepressive SymptomsNomogram ModelLogistic RegressionModel ValidationPublic Health Policy

Related Articles