Research Article

Desarrollo y validación de un modelo de predicción del riesgo de depresión para adultos de mediana edad y mayores que viven en casa en China basado en datos de CHARLS

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

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

Este estudio desarrolló y validó un modelo de predicción del riesgo de depresión para adultos de mediana edad y mayores que viven en casa utilizando datos CHARLS. Este modelo incorpora cinco factores predictivos clave. El nomograma demostró una discriminación aceptable (0,766/0,664), lo cual es adecuado para la estratificación de riesgo a nivel poblacional y es una herramienta eficaz de cribado.

Abstract

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

Falta investigación sobre modelos de predicción de riesgos para síntomas depresivos entre adultos de mediana edad y ancianos que viven en casa en China. Este estudio tenía como objetivo desarrollar un modelo de predicción de riesgos e identificar los factores de riesgo de depresión entre adultos de mediana edad y ancianos que viven en casa en China, con el objetivo de informar estrategias de prevención basadas en la evidencia y políticas de salud pública. Utilizando la última oleada representativa a nivel nacional de CHARLS 2020 (n = 14.466), desarrollamos el primer nomograma parsimonioso para predecir síntomas depresivos (CES-D-10 ≥ 10) en chinos de mediana edad y mayores que viven en casa. Tras los cribados logísticos chi-cuadrados y multivariables, LASSO, con una validación cruzada de 10 veces, identificó los cinco predictores más influyentes. La discriminación del modelo (AUC), la calibración (Hosmer-Lemeshow, gráfico de calibración) y la utilidad clínica (análisis de la curva de decisión) se evaluaron en divisiones entrenamiento-prueba (7:3). Entre los 14.466 adultos de mediana edad y ancianos que vivían en casa, 5.488 (37,1%) presentaban síntomas depresivos y 8.978 (62,9%) no cumplían los criterios para síntomas depresivos. El nomograma final comprendía cinco variables: sexo femenino, hukou rural, educación primaria o inferior, estado de soltero y edad mayor de 60 años. La herramienta logró AUCs de 0,766 (IC 95% 0,752-0,780) en el conjunto de entrenamiento y 0,664 (0,637-0,691) en el conjunto de pruebas, con una calibración excelente (P = 0,28) y beneficio neto positivo entre umbrales de riesgo del 30% y 50%. Este modelo puede predecir el riesgo de depresión en adultos chinos de mediana edad y ancianos que viven en casa, y puede servir como una herramienta de cribado conveniente para la identificación temprana y gestión del riesgo de depresión en esta población.

Introduction

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

La depresión, como trastorno mental caracterizado por una altaprevalencia 1, bajas tasas de aceptación del tratamiento y altas tasas de recurrencia, se ha convertido en una amenaza importante para la salud física y mental de personas de mediana edad ypersonas mayores 2. A nivel mundial, se estima que el 5% de los adultos sufre depresión, mientras que entre los adultos mayores esta cifra es aproximadamente del 30%. En China, un estudio reciente reveló que se estima que 50,6 millones de personas están afectadas por trastornos depresivos, lo que representa el 17,8% de la carga global5. Zhu et al. informaron que la incidencia de depresión oscila entre el 27,0% y el 37,3% entre personas mayores enChina6. Además, bajo la influencia integral del envejecimiento y otros factores, la salud mental de los adultos mayores tiende adeteriorarse 7. En China, el modelo de vivienda en casa fue el principal tipo de vida y cuidado para adultos de mediana edad ypersonas mayores. Investigar la prevalencia de la depresión y sus factores de riesgo entre adultos de mediana edad y personas mayores dentro de este modelo es tanto esencial como significativo9.

Aunque investigaciones previas sobre la depresión entre personas de mediana edad y personas mayores han abarcado muchos aspectos, como el uso de internet10, la duración y calidad del sueño11, el dolorfísico 12, etc., la mayoría de estos son estudios transversales, centrados principalmente en la asociación entre los adultos mayores de este grupo y la depresión, explorando sus factoresinfluyentes 13,14,15 . Investigaciones existentes sugieren que las condiciones de vida (en casa vs. atención institucional) afectan significativamente a los síntomas depresivos en poblaciones de mediana edad ypersonas mayores 16,17. Algunos investigadores también utilizaron modelos para desarrollar herramientas de predicción que evaluaran el riesgo de depresión entre los adultosmayores de 18,19 años. Sin embargo, estos estudios presentan dos grandes limitaciones: primero, los modelos de predicción existentes se desarrollan principalmente para predecir el riesgo de depresión en la población mayor general, careciendo de herramientas específicas para adultos de mediana edad y mayores que viven en casa; y segundo, la aplicación clínica de estos resultados es insuficiente.

Por ello, este estudio pretende construir un modelo de predicción del riesgo de depresión aplicable a adultos de mediana edad y ancianos que viven en casa en China, utilizando datos del CHARLS de 2020. Hasta donde sabemos, esto representa el primer nomograma parsimonioso desarrollado específicamente para esta población, distinguiéndolo de los modelos existentes que se dirigen predominantemente a la población general de ancianos sin tener en cuenta la influencia de las condiciones de vivienda. Al analizar este modelo, buscamos identificar los factores clave de riesgo, proporcionando así una base teórica para desarrollar intervenciones dirigidas. El desarrollo del modelo se basó en el marco de la vulnerabilidad al estrés, que plantea que la depresión resulta de la interacción entre vulnerabilidades demográficas y factores de estrés crónicos inherentes a los contextos de vivienda enel hogar 20. Se espera que este estudio contribuya a la mejora de los servicios de salud mental, al desarrollo de políticas específicas y a una mayor estabilidad social.

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

Protocol

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

La investigación fue aprobada por el Comité de Ética Biomédica de la Universidad de Pekín (IRB00001052-11015). Todos los sujetos dieron su consentimiento informado.

Población estudiada
Los datos de este estudio se obtuvieron de CHARLS 2020, que abarca 150 unidades a nivel de condado y 450 unidades a nivel de aldea en todo el país, abarcando aproximadamente 10.000 hogares y 19.395 personas de mediana edad y personas mayores de 45 años ymás. La encuesta empleó un enfoque de muestreo probabilístico en varias etapas. Se incluyeron individuos si cumplían los siguientes criterios: 45 años o más; vivienda seleccionada en respuesta al ítem del cuestionario BA007: ¿Cuál es el tipo de residencia en la dirección de vivienda?; y proporcionó una respuesta clara a la escala de depresión del Centro de Estudios Epidemiológicos de 10 ítems (CES-D-10). Se excluyó a las personas si cumplían uno o más de los siguientes criterios: respuestas que indicaban residencia fuera del hogar (incluyendo comunidades, hospitales y otros o desaparecidas); falta de información sobre la depresión; falta de información sobre covariables relevantes. Finalmente, se incluyeron 14.466 adultos que cumplían los criterios iniciales en este estudio. El proceso detallado de selección de participantes se ilustra en la Figura 1.

figure-protocol-1
Figura 1: Un diagrama de flujo para la selección poblacional del estudio. Por favor, haga clic aquí para ver una versión ampliada de esta figura.

Definición de las variables
Los síntomas depresivos se evaluaron utilizando una versión simplificada del CES-D-10, que tiene alta fiabilidad y validez en estudiosprevios 22,23. El CES-D-10 tiene 10 ítems con cuatro escalas: 0 = nunca, 1 = a veces o rara vez, 2 = a menudo y 3 = siempre, y el quinto y octavo ítems se puntuan enel reverso de 24. La puntuación total de la escala de depresión se obtiene sumando las valoraciones de los 10 ítems, que van de 0 a 30; Cuanto mayor sea la puntuación, más graves serán los síntomas depresivos de la persona. Según estudios previos con poblaciones de mediana edad ypersonas mayores, 25,26, los participantes con puntuaciones CES-D-10 ≥10 fueron clasificados como presentadores de síntomas depresivos, mientras que los <10 se clasificaron como no deprimidos.

La información recogida de todos los participantes incluye datos demográficos (edad, género, estado civil, residencia y nivel educativo), hábitos de vida y estado de salud física (actividad física, tabaco, alcohol, interacciones sociales, autoevaluación de la salud, estado de enfermedad crónica y tiempo de siesta), e información relacionada con las condiciones de vida y los hijos (satisfacción con las condiciones de vida, estado civil de la descendencia, y el estado de salud de la descendencia). Las enfermedades crónicas son diagnosticadas por los médicos e incluyen hipertensión, dislipidemia, tumores malignos, enfermedades pulmonares crónicas, enfermedades cardíacas, ictus, artritis y reumatismo.

Análisis estadístico
Análisis de regresión logística binaria
Las variables categóricas se presentan como frecuencias y porcentajes. Se realizaron pruebas de chi-cuadrado para examinar las diferencias en la incidencia de depresión a lo largo de diversas características demográficas dentro de la población estudiada. Se realizó un análisis de regresión logística binaria para identificar factores significativos asociados a los síntomas depresivos. Estos análisis estadísticos se realizaron utilizando el software SPSS (versión 21.0).

Regresión LASSO
En la versión 4.3.2 de R, el conjunto de datos se particionó aleatoriamente en un conjunto de entrenamiento y otro de prueba en una proporción 7:3 usando una semilla aleatoria fija para asegurar la reproducibilidad. Específicamente, el 70% de los datos se asignaron al conjunto de entrenamiento para el desarrollo del modelo, y el 30% al conjunto de pruebas para validación independiente. Primero, las variables estadísticamente significativas (p < 0,05) en la regresión logística binaria se incluyeron en el análisis de regresión LASSO para evitar el sobreajuste reduciendo los coeficientes. El valor óptimo de lambda se determinó mediante una validación cruzada de 10 veces. El lambda.1se se seleccionó basándose en la única regla de error estándar para lograr el rendimiento óptimo de selección de variables. Se empleó la contracción LASSO para evitar el sobreajuste reduciendo los coeficientes de variables menos importantes hacia cero. Para más detalles, consulte el Archivo Suplementario 1 (punto 1).

Construcción del nomograma
La importancia relativa de los predictores seleccionados se clasificó según la magnitud absoluta de sus coeficientes estandarizados y se visualizó usando un gráfico forestal. Se construyó un nomograma predictivo utilizando el paquete rms, basado en la ecuación final de regresión logística. Para más detalles, consulte el Archivo Suplementario 1 (punto 2).

Validación del modelo
La discriminación se evaluó calculando el área bajo la curva característica de funcionamiento del receptor (AUC) utilizando el paquete pROC. El AUC se calculaba por separado para el conjunto de entrenamiento y el conjunto de prueba. Normalmente, una AUC superior a 0,75 indica buena discriminación. Para más detalles, consulte el Expediente Suplementario 1 (punto 3).

Calibración: La calibración del modelo se evaluó utilizando la prueba de ajuste Hosmer-Lemeshow y se visualizó con curvas de calibración generadas por el paquete rms, representando las probabilidades predichas en función de las frecuencias observadas. Una prueba de Hosmer-Lemeshow no significativa (p > 0,05) indica una buena calibración. Para más detalles, consulte el Expediente Suplementario 1 (punto 4).

Utilidad clínica: La utilidad clínica se evaluó mediante análisis de curva de decisión (DCA) con el paquete RMDA, calculando el beneficio neto a través de probabilidades umbral del 0% al 100%. Para más detalles, consulte el Expediente Suplementario 1 (punto 5).

Validación de bosque aleatorio: Como validación complementaria, se implementó un modelo de bosque aleatorio utilizando el paquete randomForest para evaluar la estabilidad y generalizabilidad del modelo. La curva de convergencia de la tasa de error se graficó para evaluar la relación entre el número de árboles y la precisión de la predicción tanto en conjuntos de entrenamiento como de prueba. Se consideró que un valor p bilateral < 0,05 indicaba una diferencia estadísticamente significativa. Para más detalles, consulte el Archivo Suplementario 1 (punto 6).

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

Results

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

Características de la muestra
El estudio contó con 14.466 participantes con las siguientes características: el 46,8% tenía entre 60 y 74 años, el 52,2% mujeres y el 75,2% tenía el estatus de hogar en régimen de registro agrícola. En cuanto al nivel educativo, el 62,9% tenía educación primaria o inferior. En cuanto al estado de salud mental, el 37,1% de los participantes presentó síntomas depresivos, mientras que el 62,9% restante no mostró síntomas depresivos. La info...

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

Discussion

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

Este estudio arrojó varios hallazgos clave sobre los factores de riesgo y la predicción de síntomas depresivos entre adultos de mediana edad y ancianos que viven en casa en China. En primer lugar, el estudio encontró que el 37,1% de los adultos de mediana edad y ancianos que viven en casa presentaban síntomas depresivos en China, lo que indica una alta carga de síntomas depresivos en esta población. Los resultados de este estudio fueron inconsistentes con los hallazgos de un metaanálisis...

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

Disclosures

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

Ninguno declarado.

Acknowledgements

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

Este estudio fue apoyado por el Proyecto de Planificación de Ciencias Sociales de la provincia de Jiangxi (20SH17) y el Proyecto de Ciencia y Tecnología del Departamento de Educación de Jiangxi (GJJ191063 y GJJ171078). Sinceramente, gracias a la Escuela Nacional de Desarrollo de la Universidad de Pekín y al Instituto de Encuestas de Ciencias Sociales por proporcionar los datos relacionados.   Contribución del autor: Conceptualización, X.X.Z. y J.X.X.X.; metodología, J.X.X. y S.G.Z; software, X.X.Z.; validación, J.X.X. y S.G.Z.; análisis formal, S.G.Z. y R.J.W.; investigación, J.X.X. y W.C., B.B.D. y L.B.L.; recursos, J.X.X., S.G.Z., W.C., B.B.D. y L.B.L.; curación de datos, J.X.X. y S.G.Z; redacción—preparación del borrador original, J.X.X. y S.G.Z; redacción—revisión y edición, X.X.Z., J.X.X., S.G.Z., R.J.W., X.J.L, Y.T.X, R.L y W.J.H.; supervisión, X.X.Z. Adquisición de financiación, X.X.Z. Todos los autores han leído y aceptado la versión publicada del manuscrito.

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)(patchwork)(xgboost)(ggplot2)(RMS)(RMDA)(caret)(Bosque aleatorio)(glmnet)(dplyr)(ggrepel)(lectura)CRANN/APaquete R para el análisis de curvas de decisión de modelos de predicción de riesgos
Conjunto de datos CHARLSEquipo CHARLSN/AConjunto de datos del estudio longitudinal de salud y jubilación de China, utilizado para el desarrollo y validación de modelos
R  Fundación R para la Computación Estadística4.3.2  Software estadístico utilizado para el análisis y modelado de datos.
Estadísticas de SPSSIBM21Software utilizado para análisis estadísticos complementarios.

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