Research Article

Ontwikkeling en validatie van een voorspellingsmodel voor depressierisico's voor thuiswonende middelbare leeftijd en ouderen in China op basis van CHARLS-gegevens

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

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

Deze studie ontwikkelde en valideerde een voorspellingsmodel voor depressierisicovoorspelling voor thuiswonende middelbare leeftijd en oudere volwassenen met behulp van CHARLS-gegevens. Dit model bevat vijf belangrijke voorspellende factoren. Het nomogram toonde acceptabele discriminatie aan (0,766/0,664), wat geschikt is voor risicostratificatie op populatieniveau en een effectief screeningsinstrument is.

Abstract

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

Er is een gebrek aan onderzoek naar risicovoorspellingsmodellen voor depressieve symptomen onder thuiswonende middelbare en oudere volwassenen in China. Deze studie had als doel een risicovoorspellingsmodel te ontwikkelen en de risicofactoren voor depressie te identificeren onder thuiswonende middelbare leeftijds- en oudere volwassenen in China, met als doel het informeren van evidence-based preventiestrategieën en volksgezondheidsbeleid. Met behulp van de meest recente nationaal representatieve CHARLS 2020-golf (n = 14.466) ontwikkelden we het eerste parsimonieuze nomogram om depressieve symptomen (CES-D-10 ≥ 10) te voorspellen bij thuiswonende middelbare leeftijd en oudere Chinezen. Na chi-kwadraat- en multivariabele logistische screens identificeerde LASSO met 10-voudige kruisvalidatie de vijf meest invloedrijke voorspellers. Modeldiscriminatie (AUC), kalibratie (Hosmer-Lemeshow, kalibratiegrafiek) en klinische bruikbaarheid (beslissingscurve-analyse) werden beoordeeld in training–test-splitsingen (7:3). Van de 14.466 thuiswonende middelbare en oudere volwassenen hadden 5.488 (37,1%) depressieve symptomen, en 8.978 (62,9%) voldeden niet aan de criteria voor depressieve symptomen. Het uiteindelijke nomogram bestond uit vijf variabelen: vrouwelijk geslacht, landelijke hukou, basisonderwijs of lager, ongehuwde status en leeftijd ouder dan 60. Het instrument behaalde AUC's van 0,766 (95% BI 0,752-0,780) in de trainingsset en 0,664 (0,637-0,691) in de testset, met uitstekende kalibratie (P = 0,28) en een positief nettovoordeel tussen 30% en 50% risicodrempels. Dit model kan het risico op depressie voorspellen bij Chinese middelbare leeftijd en ouderen en een handig screeningsinstrument voor vroege identificatie en risicomanagement van depressie in deze populatie.

Introduction

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

Depressie, als een psychische stoornis die wordt gekenmerkt door een hoge prevalentie1, lage acceptatiepercentages van behandelingen en hoge recidiefpercentages, is een grote bedreiging geworden voor de fysieke en mentale gezondheid van middelbare en oudere personen2. Wereldwijd wordt geschat dat 5% van de volwassenen aan depressie lijdt, terwijl dit onder ouderen ongeveer 30% is. In China toonde een recent onderzoek aan dat naar schatting 50,6 miljoen mensen getroffen zijn door depressieve stoornissen, wat 17,8% van de wereldwijde lastuitmaakt. Zhu et al. rapporteerden dat de incidentie van depressie varieert van 27,0% tot 37,3% onder ouderen in China6. Bovendien verslechtert onder de algehele invloed van veroudering en andere factoren de mentale gezondheid van oudere volwassenenvaak 7. In China was het thuiswoonmodel het belangrijkste type wonen en zorg voor middelbare leeftijd en ouderen. Het onderzoeken van de prevalentie van depressie en de risicofactoren daarvan onder middelbare en oudere volwassenen binnen dit model is zowel essentieel als significant9.

Hoewel eerder onderzoek naar depressie bij middelbare en oudere mensen veel aspecten heeft behandeld, zoals internetgebruik10, slaapduur en kwaliteit11, fysieke pijn12, enzovoort, zijn de meeste hiervan cross-sectionele studies, die zich vooral richten op de relatie tussen ouderen in deze groep en depressie en de invloedrijke factoren ervanonderzoeken 13,14,15. Bestaand onderzoek suggereert dat woonarrangementen (thuis versus institutionele zorg) een significante invloed hebben op depressieve symptomen bij middelbare leeftijds- en oudere bevolkingsgroepen16,17. Sommige onderzoekers gebruikten ook modellen om voorspellingsinstrumenten te ontwikkelen om het risico op depressie bij ouderen te beoordelen (18,19). Deze studies hebben echter twee grote beperkingen: ten eerste zijn de bestaande voorspellingsmodellen vooral ontwikkeld om het risico op depressie bij de algemene oudere bevolking te voorspellen, en missen ze specifieke hulpmiddelen voor thuiswonende middelbare en oudere volwassenen; en ten tweede is de klinische toepassing van deze resultaten onvoldoende.

Daarom is deze studie bedoeld om een voorspellingsmodel voor depressierisico te construeren dat toepasbaar is op thuiswonende middelbare leeftijds- en ouderen in China, gebruikmakend van gegevens uit de CHARLS van 2020. Voor zover wij weten is dit het eerste zuinige nomogram dat specifiek voor deze populatie is ontwikkeld, waarmee het wordt onderscheiden van bestaande modellen die zich voornamelijk richten op de algemene oudere bevolking zonder rekening te houden met de invloed van woonsituaties. Door dit model te analyseren, wilden we belangrijke risicofactoren identificeren en zo een theoretische basis bieden voor het ontwikkelen van gerichte interventies. De modelontwikkeling was gebaseerd op het stress-kwetsbaarheidskader, dat stelt dat depressie het gevolg is van de interactie tussen demografische kwetsbaarheden en chronische stressfactoren die inherent zijn aan thuiswooncontexten20. Deze studie zal naar verwachting bijdragen aan de verbetering van geestelijke gezondheidszorg, de ontwikkeling van gerichte beleidsmaatregelen en het vergroten van de maatschappelijke stabiliteit.

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

Protocol

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

Het onderzoek werd goedgekeurd door de Biomedische Ethiek Commissie van de Peking Universiteit (IRB00001052-11015). Alle proefpersonen gaven geïnformeerde toestemming.

Studiepopulatie
De gegevens voor dit onderzoek zijn verkregen uit CHARLS 2020, dat 150 eenheden op countyniveau en 450 op dorpsniveau in het hele land omvat, met ongeveer 10.000 huishoudens en 19.395 personen van middelbare leeftijd en ouderen van 45 jaar enouder als 21 jaar. De enquête maakte gebruik van een meerstaps probability sampling-benadering. Individuen werden opgenomen als zij aan de volgende criteria voldeden: leeftijd van 45 jaar of ouder; geselecteerde woning als antwoord op het vragenlijstitem BA007: Wat is het type woning op het woonadres?; en gaf een duidelijk antwoord op de 10-items Center for Epidemiological Studies Depression Scale (CES-D-10). Personen werden uitgesloten als zij voldeden aan een of meer van de volgende criteria: antwoorden die aangaven niet-woonplaats (inclusief gemeenschappen, ziekenhuizen en andere of vermist); gebrek aan informatie over depressie; Gebrek aan informatie over relevante covariaten. Uiteindelijk werden 14.466 volwassenen die aan de oorspronkelijke criteria voldeden in deze studie opgenomen. Het gedetailleerde proces van deelnemersselectie wordt geïllustreerd in Figuur 1.

figure-protocol-1
Figuur 1: Een stroomdiagram voor de selectie van de populatie. Klik hier om een grotere versie van deze figuur te bekijken.

Definitie van de variabelen
Depressieve symptomen werden beoordeeld met behulp van een vereenvoudigde versie van de CES-D-10, die in eerdere studies een hoge betrouwbaarheid en validiteit heeft22,23. De CES-D-10 heeft 10 items met vier toonladders: 0 = nooit, 1 = soms of zelden, 2 = vaak, en 3 = altijd, en de vijfde en achtste items worden omgekeerdmet 24 beoordeeld. De totale score van de depressieschaal wordt verkregen door de beoordelingen van alle 10 items op te tellen, variërend van 0 tot 30; Hoe hoger de score, hoe ernstiger de depressieve symptomen van het individu zijn. Op basis van eerdere studies onder middelbare leeftijds- en oudere bevolkingsgroepenwerden 25,26 deelnemers met CES-D-10 scores ≥10 geclassificeerd als met depressieve symptomen, terwijl scores <10 als niet-depressief werden geclassificeerd.

De informatie die van alle deelnemers aan het onderzoek is verzameld, omvat demografische gegevens (leeftijd, geslacht, burgerlijke staat, woonplaats en opleidingsniveau), leefgewoonten en fysieke gezondheidstoestand (lichamelijke activiteit, roken, drinken, sociale interacties, zelfbeoordeelde gezondheid, de status van chronische ziekte en dutjestijden), en informatie over leefomstandigheden en kinderen (tevredenheid over de leefomstandigheden, de burgerlijke staat van het nageslacht, en de gezondheidstoestand van de nakomelingen). Chronische ziekten worden door artsen vastgesteld en omvatten hypertensie, dyslipidemie, kwaadaardige tumoren, chronische longziekten, hartziekten, beroerte, artritis en reuma.

Statistische analyse
Binaire logistische regressieanalyse
Categorische variabelen worden gepresenteerd als frequenties en percentages. Chi-kwadraattests werden uitgevoerd om verschillen in depressieincidentie te onderzoeken tussen verschillende demografische kenmerken binnen de studiepopulatie. Binaire logistische regressieanalyse werd uitgevoerd om significante factoren te identificeren die geassocieerd zijn met depressieve symptomen. Deze statistische analyses werden uitgevoerd met SPSS-software (versie 21.0).

LASSO-regressie
In R versie 4.3.2 werd de dataset willekeurig gepartitioneerd in een trainingsset en een testset in een verhouding van 7:3, waarbij een vaste willekeurige seed werd gebruikt om reproduceerbaarheid te waarborgen. Specifiek werd 70% van de data toegewezen aan de trainingsset voor modelontwikkeling, en 30% aan de testset voor onafhankelijke validatie. Ten eerste werden variabelen die statistisch significant waren (p < 0,05) in de binaire logistische regressie opgenomen in de LASSO-regressieanalyse om overfitting door het verkleinen van de coëfficiënten te voorkomen. De optimale lambdawaarde werd bepaald via 10-voudige kruisvalidatie. De lambda.1se werd geselecteerd op basis van de ene standaard foutregel om de optimale variabeleselectie te bereiken. LASSO-krimp werd toegepast om overfitting te voorkomen door de coëfficiënten van minder belangrijke variabelen naar nul te verlagen. Voor meer informatie kunt u het Aanvullende Dossier 1 (item 1) raadplegen.

Nomogramconstructie
Het relatieve belang van de geselecteerde voorspellers werd gerangschikt op basis van de absolute grootte van hun gestandaardiseerde coëfficiënten en gevisualiseerd met behulp van een bosplot. Een voorspellend nomogram werd geconstrueerd met behulp van het rms-pakket, gebaseerd op de uiteindelijke logistische regressievergelijking. Voor meer details, raadpleeg het Aanvullende Dossier 1 (item 2).

Modelvalidatie
Discriminatie werd geëvalueerd door het oppervlak onder de receiver operating characteristic curve (AUC) te berekenen met behulp van het pROC-pakket. De AUC werd afzonderlijk berekend voor de trainings- en testset. Typisch duidt een AU groter dan 0,75 op goede discriminatie. Voor meer details, raadpleeg Aanvullend Dossier 1 (item 3).

Kalibratie: Modelkalibratie werd beoordeeld met behulp van de Hosmer-Lemeshow goodness-of-fit test en gevisualiseerd met kalibratiecurves gegenereerd door het rms-pakket, waarbij voorspelde kansen werden uitgezet tegen waargenomen frequenties. Een niet-significante Hosmer-Lemeshow-test (p > 0,05) wijst op een goede calibratie. Voor meer details, raadpleeg het Aanvullende Dossier 1 (item 4).

Klinisch nut: Het klinische nut werd geëvalueerd met behulp van Decision Curve Analysis (DCA) met het RMDA-pakket, waarbij het netto voordeel over drempelkansen van 0% tot 100% werd berekend. Voor meer details, raadpleeg het Aanvullende Dossier 1 (punt 5).

Validatie van willekeurige bossen: Als aanvullende validatie werd een random forest-model geïmplementeerd met behulp van het randomForest-pakket om de stabiliteit en generaliseerbaarheid van het model te beoordelen. De foutsnelheidsconvergentiecurve werd uitgezet om de relatie tussen het aantal bomen en de voorspellingsnauwkeurigheid in zowel trainings- als testsets te evalueren. Een tweezijdige p-waarde < 0,05 werd beschouwd als een statistisch significant verschil. Voor meer details, raadpleeg het Aanvullende Dossier 1 (item 6).

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

Results

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

Steekproefkenmerken
De studie bestond uit 14.466 deelnemers met de volgende kenmerken: 46,8% was tussen 60 en 74 jaar, 52,2% was vrouw en 75,2% had een landbouwhuishoudelijke registratiestatus. Wat betreft het opleidingsniveau had 62,9% een basisschoolopleiding of lager. Wat betreft de mentale gezondheidstoestand vertoonde 37,1% van de deelnemers depressieve symptomen, terwijl de overige 62,9% geen depressieve symptomen vertoonde. Gedetailleerde informatie werd gepres...

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

Discussion

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

Deze studie leverde verschillende belangrijke bevindingen op over de risicofactoren en voorspelling van depressieve symptomen bij thuiswonende middelbare leeftijd en oudere volwassenen in China. Ten eerste vond de studie dat 37,1% van de thuiswonende middelbare leeftijds- en ouderen in China depressieve symptomen vertoonde, wat wijst op een hoge last van depressieve symptomen in deze populatie. De resultaten van deze studie waren niet consistent met de bevindingen van een wereldwijde met...

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

Disclosures

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

Geen enkele verklaarde.

Acknowledgements

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

Deze studie werd ondersteund door het Social Science Planning Project van de provincie Jiangxi (20SH17) en het Science and Technology Project van het Jiangxi Education Department (GJJ191063 en GJJ171078). Hartelijk dank aan de Nationale School voor Ontwikkeling van de Peking Universiteit en het Institute of Social Science Survey voor het leveren van de gerelateerde gegevens.   Auteursbijdrage: Conceptualisatie, X.X.Z. en J.X.X.; methodologie, J.X.X. en S.G.Z; software, X.X.Z.; validatie, J.X.X. en S.G.Z.; formele analyse, S.G.Z. en R.J.W.; onderzoek, J.X.X. en W.C., B.B.D. en L.B.L.; bronnen, J.X.X., S.G.Z., W.C., B.B.D. en L.B.L.; datacuratie, J.X.X. en S.G.Z; schrijven—originele conceptvoorbereiding, J.X.X. en S.G.Z; schrijven—recensie en redigeren, X.X.Z., J.X.X., S.G.Z., R.J.W., X.J.L, Y.T.X, R.L., en W.J.H.; Supervisie, X.X.Z. Financiering van acquisitie, X.X.Z. Alle auteurs hebben de gepubliceerde versie van het manuscript gelezen en ermee ingestemd.

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)(randomForest)(glmnet)(dplyr)(ggrepel)(readr)CRANN/AR-pakket voor risicovoorspellingsmodel beslissingscurveanalyse
CHARLS datasetCHARLS teamN/AChina Health and Retirement Longitudinal Study dataset, gebruikt voor modelontwikkeling en validatie
R R Foundation for Statistical Computing4.3.2 Statistisch software gebruikt voor dataanalyse en modellering.
SPSS StatisticsIBM21Software gebruikt voor aanvullende statistische 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