中国の在宅中年および高齢者に対するうつ病リスク予測モデルの開発と検証:CHARLSデータに基づく

Summary

本研究はCHARLSデータを用いて、在宅中年および高齢者向けのうつ病リスク予測モデルを開発・検証しました。このモデルには5つの主要な予測要因が含まれています。ノモグラムは許容範囲の識別力(0.766/0.664)を示しており、これは集団レベルでのリスク階層化に適したスクリーニングツールです。

Abstract

中国の自宅中年および高齢者におけるうつ症状のリスク予測モデルに関する研究は不足しています。本研究は、中国の在宅中年および高齢者におけるうつ病のリスク要因を特定し、リスク予測モデルを開発し、エビデンスに基づく予防戦略と公衆衛生政策の策定を図ることを目指しました。最新の全国代表的なCHARLS 2020波(n = 14,466)を用いて、家庭生活の中高年中国人における抑うつ症状を予測する初の簡潔なノモグラム(CES-D-10 ≥ 10)を開発しました。カイ二乗および多変数ロジスティックスクリーニングの結果、LASSOは10分割のクロスバリデーションを用いて、最も影響力のある5つの予測因子を特定しました。モデル識別(AUC)、較正(Hosmer-Lemeshow、校正プロット)、および臨床利用度(意思決定曲線解析)は、トレーニングとテストの分割(7:3)で評価されました。中年および高齢者の14,466人の在宅成人のうち、5,488人(37.1%)がうつ症状を示し、8,978人(62.9%)がうつ症状の基準を満たしていませんでした。最終的なノモグラムは、女性、農村部の戸口、初級またはそれ以下の学歴、未婚、60歳以上の5つの変数で構成されていました。このツールは、トレーニングセットでAUCが0.766(95%CI 0.752-0.780)、テストセットで0.664(0.637-0.691)を記録し、優れた校正(P = 0.28)と30%から50%のリスク閾値間でプラスの純利益を示しました。このモデルは中国の在宅中高齢者のうつ病リスクを予測でき、この集団におけるうつ病の早期発見とリスク管理のための便利なスクリーニングツールとして機能します。

Introduction

うつ病は、高い有病^率、低い治療受容率、高い再発率を特徴とする精神障害であり、中高年および高^{齢者の身体}的および精神的健康にとって大きな脅威となっています。世界的には成人の5%がうつ病を患っていると推定されており、高齢者では約30^%です3,4。中国では、最近の調査で推定5,060万人がうつ病に苦しみ、世界の負担の17.8%を占めていることが明らか^{になりました5。}Zhuらは、中国の高齢者におけるうつ病の発生率が27.0%から37.3%の範囲であると報告しています⁶.さらに、加齢やその他の要因の総合的な影響下で、高齢者のメンタルヘルスは悪化する傾向^{があります。}中国では、在宅型モデルが中高年成人の主要な生活・介護モデル^でした。このモデルにおいて、中年および高齢者におけるうつ病の有病率とそのリスク要因を調査することは、不可欠^{かつ重要です。}

中高齢者のうつ病に関する過去の研究は、インターネット利用¹⁰、睡眠時間と質¹¹、身体的痛み¹²など多くの側面を扱ってきましたが、これらの多くは横断的研究であり、主にこのグループの高齢者とうつ病の関連に焦点を当て、その影響要因を探っています 13,14,15.既存の研究では、居住環境(在宅型か施設型介護か)が中高齢者のうつ症状に有意に影響を与えることが示唆されています(^16,17)。一部の研究者は、高齢者のうつ病リスクを評価する予測ツールの開発にもモデルを用い^{ています。}しかし、これらの研究には二つの大きな制約があります。第一に、既存の予測モデルは主に一般高齢者のうつ病リスク予測のために開発されており、在宅中年および高齢者向けの具体的なツールが不足していること。第二に、これらの結果の臨床的応用が不十分である。

したがって、本研究は2020年のCHARLSデータを用いて、中国の在宅中年および高齢者に適用可能なうつ病リスク予測モデルを構築することを目指しています。私たちの知る限り、これはこの集団のために特別に開発された最初の簡潔なノモグラムであり、居住環境の影響を考慮しない一般的な高齢者を対象とした既存のモデルとは区別されます。このモデルを分析することで、主要なリスク要因を特定し、標的を絞った介入策の開発に向けた理論的基盤を提供しようとしました。モデル開発はストレス脆弱性フレームワークに基づいており、うつ病は人口動態的脆弱性と家庭生活環境に内在する慢性的ストレス要因の相互作用から生じると仮定^{しています。}本研究は、メンタルヘルスサービスの強化、的確な政策の策定、社会の安定向上に寄与すると期待されています。

Protocol

この研究は北京大学生物医学倫理委員会(IRB00001052-11015)によって承認されました。すべての被験者がインフォームド・コンセントを提供しました。

研究対象
本研究のデータはCHARLS 2020から得られ、全国の150郡レベル単位と450村単位を対象に、約10,000世帯と45歳以上の中年・高齢者19,395人を対象^{としています。}この調査は多段階の確率サンプリング手法を用いています。以下の基準を満たす個人は、45歳以上であること、質問票項目BA007への回答による選択された自宅住宅:居住住所の居住タイプとは何か?また、疫学研究センターの10項目からなるうつ病尺度(CES-D-10)に対する明確な回答を示しました。以下のいずれかの基準を満たす個人は除外されました:非自宅居住(地域、病院、その他または行方不明を含む)を示す回答;うつ病に関する情報不足;関連する共変量に関する情報不足。最終的に、初期基準を満たす14,466人の成人が本研究に含まれました。参加者選定の詳細プロセスは 図1に示されています。

図1:研究対象集団選択のフローチャート。この図の拡大版はこちらをクリックしてください。

変数の定義
うつ症状は、過去の研究で高い信頼性と妥当性を持つCES-D-10の簡略版を用いて評価されました(^22,23)。CES-D-10は10項目からなり、4つのスケールで評価されます:0=決してない、1=時々または稀に、2=頻繁に、3=常に、5番目と8番目は逆²⁴のスコアで点数されます。うつ病スケールの総スコアは、0から30までの10項目すべての評価を合計して得られます。スコアが高いほど、個人のうつ症状はより深刻です。中高年層の先行研究に基^づき、CES-D-10スコア≥10の参加者はうつ症状と分類され、スコア<10は非うつ病と分類されました。

研究参加者全員から収集された情報には、人口統計情報(年齢、性別、婚姻状況、居住地、教育レベル)、生活習慣および身体的健康状態(身体活動、喫煙、飲酒、社会的交流、自己評価の健康状態、慢性疾患の状況、昼寝時間)、および生活環境や子どもに関する情報(生活環境への満足度、子孫の婚姻状況、 および子孫の健康状態。慢性疾患は医師によって診断され、高血圧、脂質異常症、悪性腫瘍、慢性肺疾患、心臓病、脳卒中、関節炎、リウマチなどが含まれます。

統計解析
二値ロジスティック回帰分析
カテゴリ変数は頻度とパーセンテージで示されます。カイ二乗検定を用いて、研究対象集団内のさまざまな人口統計的特徴におけるうつ病発生率の違いを調べました。うつ症状に関連する有意な要因を特定するために二項ロジスティック回帰分析が実施されました。これらの統計解析はSPSSソフトウェア(バージョン21.0)を用いて実施されました。

LASSO回帰
Rバージョン4.3.2では、データセットが7:3の比率でランダムにトレーニングセットとテストセットに分割され、再現性を確保するために固定されたランダムシードが使用されました。具体的には、データの70%がモデル開発のためのトレーニングセットに、30%が独立した検証のためのテストセットに割り当てられました。まず、二値ロジスティック回帰で統計的に有意な変数(p < 0.05)をLASSO回帰分析に含め、係数を縮小して過学習を防ぐようしました。最適なラムダ値は10折り返し検証によって決定されました。lambda.1seは、最適な変数選択性能を達成するために標準誤差ルールに基づいて選ばれました。LASSO収縮は、重要度の低い変数の係数をゼロに下げることで過学習を防ぐために用いられました。詳細については、 補足ファイル1 (項目1)をご参照ください。

ノモグラムの構成
選択された予測変数の相対的重要性は、標準化された係数の絶対大きさに基づいてランク付けされ、森林プロットを用いて可視化されました。最終的なロジスティック回帰方程式に基づくRMSパッケージを用いて予測ノモグラムを構築しました。詳細については、 補足ファイル1 (項目2)をご参照ください。

モデル検証
識別は、pROCパッケージを用いて受信機の動作特性曲線(AUC)下面積を計算することで評価されました。AUCはトレーニングセットとテストセットで別々に計算されました。通常、AUCが0.75を超えると良好な識別力を示します。詳細については、 補足ファイル1 (項目3)をご参照ください。

較正:モデルの較正はHosmer-Lemeshow適合度検定を用いて評価され、rmsパッケージで生成された較正曲線で可視化され、予測確率を観測周波数とプロットしました。有意でないHosmer-Lemeshow検定(p > 0.05)は良好な較正を示します。詳細については、 補足ファイル1 (項目4)をご参照ください。

臨床利用性:臨床利用率はRMDAパッケージを用いた意思決定曲線分析(DCA)を用いて評価され、0%から100%までの閾値確率における純利益を算出しました。詳細については、補足ファイル1(項目5)をご参照ください。

ランダムフォレスト検証:補助的な検証として、randomForestパッケージを用いてモデルの安定性と一般化可能性を評価するためにランダムフォレストモデルが実装されました。エラー率収束曲線は、訓練セットおよびテストセットの両方で木の数と予測精度の関係を評価するためにプロットされました。両側p値<0.05は統計的に有意な差を示すと考えられました。詳細については、 補足ファイル1 (項目6)をご参照ください。

Results

サンプル特性
研究には14,466名の参加者が含まれ、以下の特徴を持ちました:46.8%が60〜74歳、52.2%が女性、75.2%が農業世帯登録者でした。教育レベルに関しては、62.9%が小学校以下の教育を受けていました。精神的健康状態に関しては、参加者の37.1%がうつ症状を示し、残りの62.9%はうつ症状がなかった。詳細な情報は 表1に示されています。

表1:うつ病集団と非うつ病集団間の人口統計的特徴の違い。統一とは、住民の統一登録を意味します。統一戸籍制度は2014年から中国で導入されており、もはや農村と都市の属性を区別しなくなりました。データはn(%)として提示されます。χ² = カイ二乗統計量。 P 値は、うつ病でない症状群とうつ症状群を比較したピアソンカイ二乗検定から導出されました。すべての統計検定は両側検定で、有意性はp < 0.001に設定されていまし...

Discussion

この研究は、中国の在宅中年および高齢者におけるうつ症状のリスク要因と予測に関するいくつかの重要な発見をもたらしました。まず、中国では中高齢者の自宅生活者が37.1%うつ症状を示しており、この集団にうつ症状の負担が高いことが示されました。この研究の結果は、高齢者のうつ症状の有病率に関する世界的なメタアナリシスの35.15%と一致しませんでした²⁴。しかし、調査結果は、韓国の高齢者(13.5%)、インドの高齢者(15.2%)、中高年および高齢のタイ人(9.8%)など他国の報告と比べて、中高齢者におけるうつ症状の有病率が有意に高いことを示している²⁹。これらの違いは多様な文化的背景に起因する可能性があり、文化的格差は高齢者の在宅モデルに対する見方に大きな影響を与えました。したがって、本研究の結果は、中国の自宅中高齢者におけるうつ症状の有病率が非常に高いことを示し、公衆衛生当局および臨床実務者の双方から即時の対応と的確な介入が必要です。...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
(プロロック)(シャプヴィズ)(継ぎ)(xgboost)(ggplot2)(RMS)(RMDA)(カレット)(randomForest)(glmnet)(DPLYR)(グルプル)(リーダー)	クラン	該当なし	リスク予測モデルの意思決定曲線解析用Rパッケージ
CHARLSデータセット	CHARLSチーム	該当なし	中国健康・退職縦断研究データセットは、モデル開発と検証に使用
R	R統計計算財団	4.3.2	データ分析およびモデリングに使用される統計ソフトウェア。
SPSS統計	IBM	21	補助的な統計解析に使用されるソフトウェア。