중국 중장년 및 고령년 가정 거주 우울증 위험 예측 모델 개발 및 검증 CHARLS 데이터를 기반으로

Summary

이 연구는 CHARLS 데이터를 사용하여 가정에 거주하는 중장년 및 노년층을 위한 우울증 위험 예측 모델을 개발하고 검증하였습니다. 이 모델은 다섯 가지 주요 예측 요인을 포함합니다. 노모그램은 허용 가능한 구별률(0.766/0.664)을 보여주었으며, 이는 인구 수준에서 위험 계층화에 적합하며 효과적인 선별 도구입니다.

Abstract

중국에서 가정에 거주하는 중장년 및 노년층의 우울 증상 위험 예측 모델에 대한 연구는 부족합니다. 이 연구는 중국 내 가정 거주 중장년 및 노년층의 우울증 위험 요인을 규명하여 근거 기반 예방 전략과 공중보건 정책을 수립하는 것을 목표로 했습니다. 최신 전국 대표성 CHARLS 2020 파동(n = 14,466)을 사용하여, 가정 생활 중년 및 고령 중국인의 우울 증상을 예측하는 최초의 절제형 노모그램(CES-D-10 ≥ 10)을 개발했습니다. 카이제곱 및 다변수 로지스틱 스크리닝 후, LASSO는 10배 교차 검증을 통해 가장 영향력 있는 5가지 예측 변수를 선별했습니다. 모델 판별(AUC), 보정(Hosmer-Lemeshow, 보정 플롯), 임상 유용도(의사결정 곡선 분석)는 훈련-시험 분할(7:3)으로 평가되었습니다. 14,466명의 가정 거주 중년 및 노인 중 5,488명(37.1%)이 우울 증상을 보였고, 8,978명(62.9%)은 우울 증상 기준을 충족하지 않았습니다. 최종 노모그램은 여성 성별, 농촌 후구, 초등 이하 학력, 미혼, 60세 이상 다섯 가지 변수로 구성되었습니다. 이 도구는 훈련 세트에서 AUC가 0.766(95% 신뢰구간: 0.752-0.780), 테스트 세트에서 0.664(0.637-0.691)를 달성했으며, 우수한 보정(P = 0.28)과 30%에서 50% 위험 임계값 사이에서 양의 순이익을 보였습니다. 이 모델은 중국인 가정 거주 중장년 및 노년층의 우울증 위험을 예측할 수 있으며, 이 집단에서 우울증의 조기 발견과 위험 관리를 위한 편리한 선별 도구가 될 수 있습니다.

Introduction

우울증은 높은 유병^{률, 낮은} 치료 수용률, 높은 재발률을 특징으로 하는 정신 질환으로서, 중년 및^노인의 신체적·정신적 건강에 큰 위협이 되었습니다. 전 세계적으로 성인의 약 5%가 우울증을 겪는 것으로 추정되며, 노년층은 약 30%에 이릅니다^3,4. 중국에서는 최근 연구에 따르면 약 5,060만 명이 우울 장애를 앓고 있으며, 이는 전 세계 부담의 17.8%를 차지합니다⁵. Zhu 등^{은 중국 노}인의 우울증 발생률이 27.0%에서 37.3% 사이임을 보고했습니다. 또한, 노화와 기타 요인의 전반적인 영향으로 인해 노인의 정신 건강은^악화되는 경향이 있습니다. 중국에서는 중년 및 노인의 주거 및 돌봄 모델이 주된 형태^{였습니다.} 이 모델 내에서 중년 및 노년층에서 우울증과 위험 요인의 유병률을 조사하는 것은 필수^{적이고 중요한 일}입니다.

중년 및 노인의 우울증에 관한 이전 연구들은 인터넷 사용¹⁰, 수면 시간 및 질(¹¹), 신체적 통증¹² 등 여러 측면을 다루었지만, 대부분은 횡단면 연구로, 주로 이 그룹의 노인과 우울증 간의 연관성을 중심으로 그 영향 요인 13,14,15. 기존 연구에 따르면 거주 환경(가정 기반 vs. 기관 돌봄)이 중년 및 노인 인구에서 우울 증상에 유의미하게 영향을 미친다고 합니다 ^16,17. 일부 연구자들은 노인층의 우울증 위험을 평가하는 예측 도구를 개발하기 위해 모델을 사용^{하기도 했습니다.} 그러나 이러한 연구들은 두 가지 주요 한계를 안고 있습니다: 첫째, 기존 예측 모델은 주로 일반 노인 인구의 우울증 위험을 예측하기 위해 개발되었으며, 중고년 및 고령 가정에 적합한 구체적인 도구가 부족합니다; 둘째, 이 결과의 임상적 적용이 불충분하다.

따라서 본 연구는 2020년 CHARLS 데이터를 활용하여 중국 내 가정 거주 중년 및 노년층에 적용 가능한 우울증 위험 예측 모델을 구축하는 것을 목표로 합니다. 우리가 아는 한, 이는 이 집단을 위해 특별히 개발된 최초의 간결한 노모그램으로, 거주 환경의 영향을 고려하지 않고 주로 일반 노인 인구를 대상으로 한 기존 모델과 구별됩니다. 이 모델을 분석함으로써 주요 위험 요인을 식별하고, 이를 통해 목표 적 개입 개발에 이론적 기반을 제공하고자 했습니다. 모델 개발은 스트레스-취약성 프레임워크에 기반을 두고 있는데, 이 프레임워크는 우울증이 가정 내 환경에서 내재된 인구학적 취약성과 만성 스트레스 요인 간의 상호작용에서 비롯된다고 본다. 이 연구는 정신 건강 서비스 향상, 목표 지향 정책 개발, 사회적 안정성 증진에 기여할 것으로 기대됩니다.

Protocol

이 연구는 베이징대학교 생의학윤리위원회(IRB00001052-11015)의 승인을 받았습니다. 모든 참가자는 사전 동의를 제공하였습니다.

연구 대상
이 연구의 데이터는 CHARLS 2020에서 얻었으며, 전국 150개 현급 단위와 450개 마을 단위를 포함하며, 약 10,000가구와 45세 이상²¹세 중장년 및 노인 19,395명을 포함합니다. 이 설문조사는 다단계 확률 표본추출 방식을 사용했습니다. 다음 기준을 충족하는 사람은 포함되었습니다: 45세 이상; 설문지 BA007: 거주 주소의 주거 유형은 무엇인가?에 대한 선택된 가정 거주 환경; 역학연구센터의 10개 문항 우울증 척도(CES-D-10)에 명확한 답변을 제공했습니다. 다음 기준 중 하나 이상을 충족하면 제외되었습니다: 비거주 응답(지역사회, 병원 및 기타 또는 실종 포함); 우울증에 대한 정보 부족; 관련 공변량에 대한 정보 부족. 최종적으로 초기 기준을 충족한 14,466명의 성인이 이 연구에 포함되었습니다. 참가자 선발의 상세 과정은 그림 1에 나와 있습니다.

그림 1: 연구 개체군 선별을 위한 흐름도입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하세요.

변수들의 정의
우울 증상은 이전 연구에서 높은 신뢰도와 타당성을 가진 CES-D-10의 단순화된 버전을 사용하여 평가되었습니다^22,23. CES-D-10은 10개의 문항으로 4가지 척도로 구성되어 있습니다: 0 = 절대 안 되고, 1 = 가끔 또는 드물게, 2 = 자주, 3 = 항상 하며, 다섯 번째와 여덟 번째 문항은 역²⁴로 점수를 매깁니다. 우울증 척도의 총 점수는 0에서 30까지의 10개 항목 점수를 합산하여 산출됩니다; 점수가 높을수록 우울 증상이 더 심각합니다. 중장 및 노인 인구^25.26명을 대상으로 한 이전 연구를 기반으로 CES-D-10 점수 ≥10을 가진 참가자는 우울 증상이 있는 것으로 분류되었고, 점수 <10은 비우울증으로 분류되었습니다.

모든 연구 참가자로부터 수집된 정보에는 인구통계학적 정보(나이, 성별, 혼인 여부, 거주지, 교육 수준), 생활 습관 및 신체 건강 상태(신체 활동, 흡연, 음주, 사회적 상호작용, 자기 건강 평가, 만성 질환 상태, 낮잠 시간), 그리고 생활 환경 및 자녀와 관련된 정보(생활 환경 만족도, 자녀의 결혼 상태, 그리고 자손의 건강 상태도 확인한다. 만성 질환은 의사가 진단하며, 고혈압, 지질이상증, 악성 종양, 만성 폐 질환, 심장병, 뇌졸중, 관절염, 류머티즘 등이 포함됩니다.

통계 분석
이진 로지스틱 회귀 분석
범주별 변수는 빈도와 백분율로 표현됩니다. 카이제곱 검정을 통해 연구 집단 내 다양한 인구통계학적 특성 간 우울증 발생률 차이를 조사하였습니다. 우울 증상과 관련된 중요한 요인을 확인하기 위해 이진 로지스틱 회귀분석을 수행하였습니다. 이 통계 분석은 SPSS 소프트웨어(버전 21.0)를 사용하여 수행되었습니다.

라소 회귀
R 버전 4.3.2에서는 데이터셋이 7:3 비율로 무작위로 훈련 세트와 테스트 세트로 무작위로 분할되어 재현성을 보장하기 위해 고정된 무작위 시드를 사용했습니다. 구체적으로, 데이터의 70%는 모델 개발을 위한 훈련 세트에, 30%는 독립적인 검증을 위한 테스트 세트에 할당되었습니다. 첫째, 이진 로지스틱 회귀에서 통계적으로 유의한 변수들(p < 0.05)을 LASSO 회귀분석에 포함하여 계수를 축소하여 과적합을 방지하였다. 최적의 람다 값은 10배 교차 검증을 통해 결정되었습니다. lambda.1se는 최적의 변수 선택 성능을 달성하기 위해 하나의 표준오차 규칙을 기준으로 선택되었습니다. LASSO 수축은 덜 중요한 변수들의 계수를 0에 가깝게 줄여 과적합을 방지하기 위해 사용되었습니다. 자세한 내용은 보충 파일 1 (항목 1)을 참조하십시오.

노모그램 구성
선택된 예측 변수들의 상대적 중요성은 표준화된 계수의 절대 크기에 따라 순위를 매기고, 숲 그래프를 통해 시각화되었습니다. 최종 로지스틱 회귀 방정식을 기반으로 RMS 패키지를 사용하여 예측 노모그램이 구축되었습니다. 자세한 내용은 보충 파일 1 (항목 2)을 참조하십시오.

모델 검증
식별력은 pROC 패키지를 사용하여 수신기 작동 특성 곡선(AUC) 아래 면적을 계산하여 평가했습니다. AUC는 훈련 세트와 테스트 세트에 대해 별도로 계산되었습니다. 일반적으로 AUC가 0.75를 초과하면 좋은 분별력을 나타냅니다. 자세한 내용은 보충 문서 1 (항목 3)을 참조하십시오.

보정: 모델 보정은 Hosmer-Lemeshow 적합 검정을 사용하여 평가되었으며, rms 패키지가 생성한 보정 곡선과 함께 예측 확률을 관찰 빈도와 함께 시각화하였습니다. 유의하지 않은 Hosmer-Lemeshow 검정(p > 0.05)은 좋은 보정을 나타냅니다. 자세한 내용은 보충 파일 1 (항목 4)을 참조하십시오.

임상 유용성: 임상 효용은 rmda 패키지와 함께 의사결정 곡선 분석(DCA)을 사용하여 0%에서 100%까지 임계값 확률 전반에 걸쳐 순이익을 계산하였습니다. 자세한 내용은 보충 파일 1 (항목 5)을 참조하십시오.

랜덤 포레스트 검증: 보조 검증으로, 무작위 포레스트 패키지를 사용하여 모델의 안정성과 일반화 가능성을 평가하는 랜덤 포레스트 모델이 구현되었습니다. 오차율 수렴 곡선을 그려 트리 수와 훈련 및 테스트 세트 모두에서 예측 정확도 간의 관계를 평가하였습니다. 양측 p 값 0.05< 통계적으로 유의한 차이를 나타내는 것으로 간주되었습니다. 자세한 내용은 보충 파일 1 (항목 6)을 참조하십시오.

Results

표본 특성
이 연구에는 다음과 같은 특성을 가진 14,466명의 참가자가 포함되었습니다: 46.8%는 60-74세, 52.2%는 여성, 75.2%는 농업 가구 등록 상태였습니다. 교육 수준 기준으로는 62.9%가 초등학교 이하 교육을 받았습니다. 정신 건강 상태에 관해서는, 참가자의 37.1%가 우울 증상을 보였고, 나머지 62.9%는 우울 증상이 없었습니다. 상세 정보는 표 1에 제시되어 있습니다.

표 1: 우울증 인구와 비우울증 인구 간의 인구통계학적 특성 차이. 통합은 거주자들의 통합 등록을 의미합니다. 중국에서는 2014년부터 통합 가구등록제가 도입되어 농촌과 도시 속성을 구분하지 않습니다. 데이터는 n(%)로 제시됩니다. χ² = 카이제곱 통계량. P 값은 비우울군과 우울 증상군을...

Discussion

이 연구는 중국에서 가정에 거주하는 중년 및 노년층의 우울 증상 위험 요인과 예측에 관한 여러 주요 발견을 도출했습니다. 첫째, 연구는 중국에서 가정에 거주하는 중장년 및 노년층의 37.1%가 우울 증상을 보였으며, 이는 이 인구에서 우울 증상 부담이 높다는 것을 나타냅니다. 이 연구 결과는 노인에서 우울 증상의 유병률에 관한 전 세계 메타분석의 35.15% 수치와 일치하지 않았습니다²⁴. 그러나 연구 결과는 한국 노인(13.5%), 인도 고령자(15.2%), 태국 중령 및 고령자 인구(9.8%) 등 다른 국가 보고서에 비해 중장년 및 노년층 우울 증상 유병률이 유의하게 높다는 것을 보여줍니다²⁹. 이러한 차이는 다양한 문화적 배경에서 비롯되었을 수 있으며, 문화적 격차는 노인들의 가정 거주 모델에 대한 시각에 상당한 영향을 미쳤습니다. 따라...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
(프로크)(샤비즈)(조각보)(xgboost)(ggplot2)(RMS)(RMDA)(카렛)(랜덤 포레스트)(글므넷)(dplyr)(글레펠)(리더)	크랜	해당 없음	위험 예측 모델 의사결정 곡선 분석을 위한 R 패키지
CHARLS 데이터셋	CHARLS 팀	해당 없음	중국 건강 및 은퇴 종단 연구 데이터셋, 모델 개발 및 검증에 사용
R	그리고 nbsp; R 통계 컴퓨팅 재단	4.3.2	그리고 nbsp; 데이터 분석 및 모델링에 사용되는 통계 소프트웨어입니다.
SPSS 통계	IBM	21	보조 통계 분석에 사용되는 소프트웨어입니다.