Research Article

Sviluppo e Validazione di un Modello di Previsione del Rischio di Depressione per Adulti di Mezza Età e Anziani che vivono in casa in Cina, basato sui dati 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

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

Questo studio ha sviluppato e convalidato un modello di previsione del rischio depressivo per adulti di mezza età e anziani che vivono in casa utilizzando dati CHARLS. Questo modello incorpora cinque fattori predittivi chiave. Il nomogramma ha dimostrato una discriminazione accettabile (0,766/0,664), adatta alla stratificazione del rischio a livello di popolazione ed è uno strumento efficace per lo screening.

Abstract

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

Manca la ricerca sui modelli di previsione del rischio per i sintomi depressivi tra gli adulti di mezza età e anziani che vivono in casa in Cina. Questo studio mirava a sviluppare un modello di previsione del rischio e a identificare i fattori di rischio per la depressione tra gli adulti di mezza età e anziani che vivono a casa in Cina, con l'obiettivo di informare strategie di prevenzione basate su evidenze e politiche di salute pubblica. Utilizzando l'ultima ondata rappresentativa nazionale CHARLS 2020 (n = 14.466), abbiamo sviluppato il primo nomogramma parsimonioso per prevedere i sintomi depressivi (CES-D-10 ≥ 10) nei cinesi di mezza età e anziani che vivono a casa. Dopo screening chi-quadrato e logistica multivariabile, LASSO con validazione incrociata a 10 punti ha identificato i cinque predittori più influenti. La discriminazione del modello (AUC), la calibrazione (Hosmer-Lemeshow, grafico di calibrazione) e l'utilità clinica (analisi della curva decisionale) sono state valutate in suddivisioni addestramento–test (7:3). Tra i 14.466 adulti di mezza età e anziani che vivevano in casa, 5.488 (37,1%) avevano sintomi depressivi e 8.978 (62,9%) non soddisfacevano i criteri per sintomi depressivi. Il nomogramma finale comprendeva cinque variabili: sesso femminile, hukou rurale, istruzione primaria o inferiore, stato di non sposata ed età superiore ai 60 anni. Lo strumento ha raggiunto AUC di 0,766 (IC 95% 0,752-0,780) nel set di addestramento e 0,664 (0,637-0,691) nel set di test, con un'eccellente calibrazione (P = 0,28) e un beneficio netto positivo tra le soglie di rischio del 30% e del 50%. Questo modello può prevedere il rischio di depressione negli adulti cinesi di mezza età e anziani che vivono a casa e può fungere da comodo strumento di screening per l'identificazione precoce e la gestione del rischio della depressione in questa popolazione.

Introduction

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

La depressione, in quanto disturbo mentale caratterizzato da un'altaprevalenza 1, bassi tassi di accettazione del trattamento e alti tassi di recidiva, è diventata una minaccia importante per la salute fisica e mentale delle persone di mezza età eanziane 2. A livello globale, si stima che il 5% degli adulti soffra di depressione, mentre tra gli anziani questa percentuale è di circa il 30%. In Cina, uno studio recente ha rivelato che si stima che 50,6 milioni di persone siano colpite da disturbi depressivi, rappresentando il 17,8% del carico globale5. Zhu et al. hanno riportato che l'incidenza della depressione varia dal 27,0% al 37,3% tra gli anziani inCina 6. Inoltre, sotto l'influenza generale dell'invecchiamento e di altri fattori, la salute mentale degli anziani tende apeggiorare 7. In Cina, il modello abitativo domestico era il principale tipo di vita e cura per adulti di mezza età eanziani 8. Indagare la prevalenza della depressione e i suoi fattori di rischio tra adulti di mezza età e anziani all'interno di questo modello è sia essenziale che significativo9.

Sebbene ricerche precedenti sulla depressione tra persone di mezza età e anziane abbiano coperto molti aspetti, come l'uso di internet10, la durata e la qualità delsonno 11, il dolorefisico 12, ecc., la maggior parte di questi sono studi trasversali, concentrati principalmente sull'associazione tra gli adulti anziani di questo gruppo e la depressione ed esplorandone i fattoriinfluenti 13,14,15. Ricerche esistenti suggeriscono che le disposizioni abitative (domiciliare vs. assistenza istituzionale) influenzano significativamente i sintomi depressivi nelle popolazioni di mezza età eanziane 16,17. Alcuni ricercatori hanno anche utilizzato modelli per sviluppare strumenti di previsione per valutare il rischio di depressione tra glianziani di 18,19 anni. Questi studi, tuttavia, presentano due limitazioni principali: primo, i modelli previsionali esistenti sono sviluppati principalmente per prevedere il rischio di depressione nella popolazione anziana generale, mancando di strumenti specifici per adulti di mezza età e anziani che vivono in casa; e secondo, l'applicazione clinica di questi risultati è insufficiente.

Pertanto, questo studio mira a costruire un modello di previsione del rischio di depressione applicabile agli adulti di mezza età e anziani che vivono in casa in Cina, utilizzando dati del CHARLS 2020. Per quanto ne sappiamo, questo rappresenta il primo nomogramma parsimonioso sviluppato specificamente per questa popolazione, distinguendolo dai modelli esistenti che si rivolgono prevalentemente alla popolazione anziana generale senza considerare l'influenza delle disposizioni abitative. Analizzando questo modello, abbiamo cercato di identificare i principali fattori di rischio, fornendo così una base teorica per lo sviluppo di interventi mirati. Lo sviluppo del modello si basava sul quadro di sensibilità allo stress, che sostiene che la depressione derivi dall'interazione tra vulnerabilità demografiche e stressori cronici insiti nei contesti di abitazionedomestica 20. Si prevede che questo studio contribuirà al miglioramento dei servizi di salute mentale, allo sviluppo di politiche mirate e a una maggiore stabilità sociale.

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

Protocol

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

La ricerca è stata approvata dal Comitato Etico Biomedico dell'Università di Pechino (IRB00001052-11015). Tutti i soggetti hanno fornito il consenso informato.

Popolazione dello studio
I dati per questo studio sono stati ottenuti da CHARLS 2020, che copre 150 unità a livello di contea e 450 unità a livello di villaggio in tutto il paese, comprendendo circa 10.000 nuclei familiari e 19.395 individui di mezza età e anziani di 45 anni e oltre21 anni. Il sondaggio utilizzava un approccio di campionamento probabilistico a più fasi. Gli individui sono stati inclusi se soddisfacevano i seguenti criteri: età di 45 anni o più; ha selezionato la residenza domiciliare in risposta all'item del questionario BA007: Qual è il tipo di residenza all'indirizzo abitativo?; e ha fornito una risposta chiara alla scala della depressione del Center for Epidemiological Studies (CES-D-10) composta da 10 punti. Gli individui sono stati esclusi se soddisfacevano uno o più dei seguenti criteri: risposte che indicano la residenza non domiciliare (inclusi comunità, ospedali e altri o scomparsi); mancanza di informazioni sulla depressione; mancanza di informazioni sulle covariabili rilevanti. Alla fine, 14.466 adulti che soddisfacevano i criteri iniziali sono stati inclusi in questo studio. Il processo dettagliato di selezione dei partecipanti è illustrato nella Figura 1.

figure-protocol-1
Figura 1: Un diagramma di flusso per la selezione della popolazione dello studio. Clicca qui per visualizzare una versione più grande di questa figura.

Definizione delle variabili
I sintomi depressivi sono stati valutati utilizzando una versione semplificata del CES-D-10, che ha alta affidabilità e validità negli studiprecedenti 22,23. Il CES-D-10 ha 10 elementi con quattro scale: 0 = mai, 1 = a volte o raramente, 2 = spesso e 3 = sempre, e il quinto e l'ottavo item sono valutati alcontrario di 24. Il punteggio totale della scala della depressione si ottiene sommando le valutazioni di tutti e 10 gli elementi, che vanno da 0 a 30; più alto è il punteggio, più gravi sono i sintomi depressivi dell'individuo. Sulla base di studi precedenti su popolazioni di mezza età eanziane, 25,26, i partecipanti con punteggi CES-D-10 ≥10 sono stati classificati come presenti di sintomi depressivi, mentre i punteggi <10 sono stati classificati come non depressi.

Le informazioni raccolte da tutti i partecipanti allo studio includono dati demografici (età, genere, stato civile, residenza e livello di istruzione), abitudini di vita e stato di salute fisica (attività fisica, fumo, alcol, interazioni sociali, autovalutazione della salute, stato di malattia cronica e tempo di pisolino) e informazioni relative alle condizioni di vita e ai figli (soddisfazione delle condizioni di vita, stato civile della prole, e lo stato di salute della prole). Le malattie croniche vengono diagnosticate dai medici e includono ipertensione, dislipidemia, tumori maligni, malattie polmonari croniche, malattie cardiache, ictus, artrite e reumatismo.

Analisi statistica
Analisi di regressione logistica binaria
Le variabili categoriche sono presentate come frequenze e percentuali. Sono stati condotti test chi-quadrato per esaminare le differenze nell'incidenza della depressione tra varie caratteristiche demografiche all'interno della popolazione studiata. È stata eseguita un'analisi di regressione logistica binaria per identificare fattori significativi associati ai sintomi depressivi. Queste analisi statistiche sono state effettuate utilizzando il software SPSS (versione 21.0).

Regressione LASSO
Nella versione 4.3.2 di R, il dataset veniva suddiviso casualmente in un set di addestramento e un set di test con un rapporto 7:3 utilizzando un seed casuale fisso per garantire la riproducibilità. In particolare, il 70% dei dati è stato allocato al set di addestramento per lo sviluppo del modello e il 30% al set di test per la validazione indipendente. Innanzitutto, le variabili statisticamente significative (p < 0,05) nella regressione logistica binaria sono state incluse nell'analisi di regressione LASSO per prevenire l'overfitting riducendo i coefficienti. Il valore lambda ottimale è stato determinato tramite validazione incrociata a 10 volte. Il lambda.1se è stato selezionato sulla base di una regola di errore standard per ottenere la performance ottimale nella selezione delle variabili. Il ritiro LASSO è stato impiegato per prevenire il sovrafitting riducendo i coefficienti di variabili meno importanti verso zero. Per ulteriori dettagli, si prega di consultare il Fascicolo Supplementare 1 (punto 1).

Costruzione del Nomogramma
L'importanza relativa dei predittori selezionati è stata classificata in base all'entità assoluta dei loro coefficienti standardizzati e visualizzata utilizzando un grafico forestale. Un nomogramma predittivo è stato costruito utilizzando il pacchetto rms, basato sull'equazione finale di regressione logistica. Per ulteriori dettagli, si prega di consultare il Fascicolo Supplementare 1 (punto 2).

Validazione del modello
La discriminazione veniva valutata calcolando l'area sotto la curva caratteristica operativa del ricevitore (AUC) utilizzando il pacchetto pROC. L'AUC veniva calcolato separatamente per il set di addestramento e il set di test. Tipicamente, un AUC superiore a 0,75 indica una buona discriminazione. Per ulteriori dettagli, si prega di consultare il Fascicolo Supplementare 1 (punto 3).

Calibrazione: La calibrazione del modello è stata valutata utilizzando il test di buona adattabilità di Hosmer-Lemeshow e visualizzata con curve di calibrazione generate dal pacchetto rms, tracciando le probabilità previste rispetto alle frequenze osservate. Un test Hosmer-Lemeshow non significativo (p > 0,05) indica una buona calibrazione. Per ulteriori dettagli, si prega di consultare il Fascicolo Supplementare 1 (punto 4).

Utilità clinica: L'utilità clinica è stata valutata utilizzando l'analisi della curva decisionale (DCA) con il pacchetto RMDA, calcolando il beneficio netto su probabilità di soglia da 0% a 100%. Per ulteriori dettagli, si prega di consultare il Fascicolo Supplementare 1 (punto 5).

Validazione della foresta casuale: come validazione supplementare, è stato implementato un modello di foresta casuale utilizzando il pacchetto randomForest per valutare la stabilità e la generalizzazione del modello. La curva di convergenza del tasso di errore è stata tracciata per valutare la relazione tra il numero di alberi e l'accuratezza della previsione sia nei set di addestramento che in quelli di test. Un valore p bilaterale < 0,05 è stato considerato indicativo di una differenza statisticamente significativa. Per ulteriori dettagli, si prega di consultare il Fascicolo Supplementare 1 (punto 6).

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

Results

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

Caratteristiche del campione
Lo studio ha coinvolto 14.466 partecipanti con le seguenti caratteristiche: il 46,8% aveva tra i 60 e i 74 anni, il 52,2% era femmina e il 75,2% aveva lo status di registrazione familiare agricola. In termini di livello educativo, il 62,9% aveva un'istruzione primaria o inferiore. Per quanto riguarda lo stato di salute mentale, il 37,1% dei partecipanti ha mostrato sintomi depressivi, mentre il restante 62,9% non ha mostrato sintomi depres...

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

Discussion

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

Questo studio ha prodotto diversi risultati chiave riguardanti i fattori di rischio e la previsione dei sintomi depressivi tra gli adulti di mezza età e anziani che vivono a casa in Cina. Innanzitutto, lo studio ha rilevato che il 37,1% degli adulti di mezza età e anziani residenti in casa mostrava sintomi depressivi in Cina, indicando un alto carico di sintomi depressivi in questa popolazione. I risultati di questo studio sono stati incoerenti con i risultati di una meta-analisi globale...

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

Disclosures

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

Nessuno dichiarato.

Acknowledgements

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

Questo studio è stato supportato dal Progetto di Pianificazione delle Scienze Sociali della Provincia del Jiangxi (20SH17) e dal Progetto Scienza e Tecnologia del Dipartimento dell'Istruzione del Jiangxi (GJJ191063 e GJJ171078). Sinceramente, grazie alla Scuola Nazionale di Sviluppo dell'Università di Pechino e all'Istituto di Indagine delle Scienze Sociali per aver fornito i dati correlati.   Contributo dell'autore: Concettualizzazione, X.X.Z. e J.X.X.X.; metodologia, J.X.X. e S.G.Z; software, X.X.Z.; validazione, J.X.X. e S.G.Z.; analisi formale, S.G.Z. e R.J.W.; indagine, J.X.X. e W.C., B.B.D. e L.B.L.; risorse, J.X.X., S.G.Z., W.C., B.B.D. e L.B.L.; curazione dati, J.X.X. e S.G.Z; scrittura—preparazione della bozza originale, J.X.X. e S.G.Z; scrittura—revisione e revisione, X.X.Z., J.X.X.X., S.G.Z., R.J.W., X.J.L, Y.T.X, R.L e W.J.H.; supervisione, X.X.Z. Acquisizione di finanziamenti, X.X.Z. Tutti gli autori hanno letto e concordato con la versione pubblicata del manoscritto.

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)(foresta casuale)(GLMNET)(dplyr)(ggrepel)(lettura)CRANN/APacchetto R per l'analisi della curva decisionale dei modelli di previsione del rischio
Dataset CHARLSSquadra CHARLSN/ADataset dello Studio Longitudinale sulla Salute e la Pensione della Cina, utilizzato per lo sviluppo e la validazione dei modelli
R  R Foundation for Statistical Computing4.3.2  Software statistico utilizzato per l'analisi e la modellizzazione dei dati.
Statistiche SPSSIBM21Software utilizzato per analisi statistiche supplementari.

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