Research Article

Opracowanie i walidacja modelu prognozowania ryzyka depresji dla osób mieszkających w domu dla osób w średnim i starszym wieku w Chinach, opartych na danych 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

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

Badanie to opracowało i zweryfikowało model predykcji ryzyka depresji dla osób mieszkających w domu w średnim i starszym wieku, wykorzystując dane CHARLS. Model ten uwzględnia pięć kluczowych czynników predykcyjnych. Nomogram wykazał akceptowalną dyskryminację (0,766/0,664), co jest odpowiednie do stratyfikacji ryzyka na poziomie populacji i stanowi skuteczne narzędzie przesiewowe.

Abstract

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

Brakuje badań nad modelami predykcji ryzyka objawów depresji wśród dorosłych w średnim i starszym wieku mieszkających w domu. Celem tego badania było opracowanie modelu prognozowania ryzyka oraz identyfikacja czynników ryzyka depresji wśród dorosłych w średnim i starszym wieku mieszkających w domach w Chinach, z celem wspierania strategii zapobiegania opartych na dokazach oraz polityki zdrowia publicznego. Korzystając z najnowszej ogólnokrajowej fali CHARLS 2020 (n = 14 466), opracowaliśmy pierwszy parsimonious nomogram do przewidywania objawów depresji (CES-D-10 ≥ 10) u Chińczyków w średnim i starszym wieku. Po chi-kwadrat i wielowymiarowych badaniach logistycznych, LASSO z 10-krotną walidacją krzyżową zidentyfikowało pięć najbardziej wpływowych predyktorów. Rozróżnianie modelu (AUC), kalibracja (Hosmer-Lemeshow, wykres kalibracyjny) oraz użyteczność kliniczna (analiza krzywej decyzyjnej) oceniano w podziałach trening–test (7:3). Spośród 14 466 osób mieszkających w domu w wieku średnim i starszym, 5 488 (37,1%) miało objawy depresyjne, a 8 978 (62,9%) nie spełniało kryteriów objawów depresji. Ostateczny nomogram obejmował pięć zmiennych: płeć żeńska, wiejska hukou, wykształcenie podstawowe lub niższe, status niezamężny oraz wiek powyżej 60 lat. Narzędzie osiągnęło AUC na poziomie 0,766 (95% CI 0,752-0,780) w zbiorze treningowym oraz 0,664 (0,637-0,691) w zbiorze testowym, przy doskonałej kalibracji (P = 0,28) i dodatnim wyniku netto w zakresie progu ryzyka od 30% do 50%. Model ten może przewidywać ryzyko depresji u chińskich dorosłych w średnim i starszym wieku mieszkających w domu oraz służyć jako wygodne narzędzie przesiewowe do wczesnego wykrywania i zarządzania ryzykiem depresji w tej populacji.

Introduction

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

Depresja, jako zaburzenie psychiczne charakteryzujące się wysoką częstością występowania1, niskimi wskaźnikami akceptacji leczenia i wysokimi nawrotami, stała się poważnym zagrożeniem dla zdrowia fizycznego i psychicznego osób w średnim i starszym wieku2. Globalnie szacuje się, że 5% dorosłych cierpi na depresję, podczas gdy wśród osób starszych odsetek ten wynosi około 30%3,4. W Chinach niedawne badanie wykazało, że szacunkowo 50,6 miliona osób cierpi na zaburzenia depresyjne, co stanowi 17,8% globalnegoobciążenia. Zhu i in. poinformowali, że częstość występowania depresji waha się od 27,0% do 37,3% wśród osób starszych w Chinach6. Ponadto, pod wpływem starzenia się i innych czynników, zdrowie psychiczne osób starszych ma tendencję do pogarszaniasię 7. W Chinach model mieszkania był głównym modelem życia i opieki dla dorosłych w średnim i starszym wieku8. Badanie rozpowszechnienia depresji i jej czynników ryzyka wśród osób w średnim wieku i starszych w tym modelu jest zarówno niezbędne, jak i istotne9.

Chociaż wcześniejsze badania nad depresją wśród osób w średnim i starszym wieku obejmowały wiele aspektów, takich jak korzystanie z internetu10, długość i jakość snu11, ból fizyczny12 itd., większość z nich to badania przekrojowe, koncentrujące się głównie na związku między starszymi dorosłymi z tej grupy a depresją oraz analizując jej czynniki wpływające13, 14, 15. Istniejące badania sugerują, że warunki mieszkaniowe (domowe vs. opieka instytucjonalna) znacząco wpływają na objawy depresji u osób w średnim i starszym wieku16,17. Niektórzy badacze wykorzystali także modele do opracowania narzędzi predykcyjnych do oceny ryzyka depresji u osób starszych18,19 lat. Badania te jednak mają dwa główne ograniczenia: po pierwsze, istniejące modele predykcyjne są głównie opracowane do przewidywania ryzyka depresji u ogólnej populacji seniorów, brakuje im specyficznych narzędzi dla osób mieszkających w domu w średnim i starszym wieku; Po drugie, kliniczne zastosowanie tych wyników jest niewystarczające.

Dlatego celem tego badania jest stworzenie modelu prognozowania ryzyka depresji stosującego do dorosłych w średnim i starszym wieku mieszkających w domu, wykorzystując dane z CHARLS 2020. Z naszej wiedzy jest to pierwszy oszczędny nomogram opracowany specjalnie dla tej populacji, odróżniający go od istniejących modeli, które głównie kierują się do ogólnej populacji seniorów, nie uwzględniając wpływu warunków mieszkaniowych. Analizując ten model, staraliśmy się zidentyfikować kluczowe czynniki ryzyka, co stanowiło teoretyczną podstawę do opracowania ukierunkowanych interwencji. Rozwój modelu opierał się na ramach podatności na stres, które zakładają, że depresja wynika z interakcji między podatnościami demograficznymi a przewlekłymi stresorami inherentnymi w kontekstach życia domowego20. Oczekuje się, że badanie to przyczyni się do poprawy usług zdrowia psychicznego, opracowania ukierunkowanych polityk oraz zwiększenia stabilności społecznej.

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

Protocol

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

Badania zostały zatwierdzone przez Komitet Etyki Biomedycznej Uniwersytetu Pekińskiego (IRB00001052-11015). Wszyscy badani wyrazili świadomą zgodę.

Populacja badawcza
Dane do tego badania pochodzą z CHARLS 2020, które obejmuje 150 jednostek na poziomie hrabstwa oraz 450 jednostek na poziomie wiosek w całym kraju, obejmując około 10 000 gospodarstw domowych oraz 19 395 osób w średnim i starszym wieku w wieku 45 lati starszych w wieku 45 lat i starszych. Badanie zastosowało wieloetapowe próbkowanie prawdopodobieństwa. Osoby były uwzględniane, jeśli spełniały następujące kryteria: wiek 45 lat lub więcej; wybrane mieszkanie w odpowiedzi na pytanie z kwestionariusza BA007: Jaki jest rodzaj zamieszkania pod adresem zamieszkania?; oraz udzielił jasnej odpowiedzi na 10-punktową skalę depresji Centrum Badań Epidemiologicznych (CES-D-10). Osoby zostały wykluczone, jeśli spełniały jedno lub więcej z następujących kryteriów: odpowiedzi wskazujące na miejsce zamieszkania niebędące zamieszkaniem (w tym społeczności, szpitale i inne lub zaginione); brak informacji o depresji; brak informacji o odpowiednich kowarianach. Ostatecznie do badania uwzględniono 14 466 dorosłych spełniających początkowe kryteria. Szczegółowy proces wyboru uczestników przedstawiono na Rysunku 1.

figure-protocol-1
Rysunek 1: Schemat przepływowy wyboru populacji badawczej. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Definicja zmiennych
Objawy depresji oceniano za pomocą uproszczonej wersji CES-D-10, która wykazuje wysoką wiarygodność i wiarygodność w poprzednich badaniach 22,23. CES-D-10 składa się z 10 pozycji w czterech skalach: 0 = nigdy, 1 = czasem lub rzadko, 2 = często oraz 3 = zawsze, a piąty i ósmy punkt są punktowane w odwrotnym układzie24. Całkowity wynik skali depresji uzyskuje się przez sumowanie ocen wszystkich 10 pozycji, w zakresie od 0 do 30; Im wyższy wynik, tym poważniejsze objawy depresyjne danej osoby. Na podstawie wcześniejszych badań populacji średniego i starszego 25,26, uczestnicy z wynikiem CES-D-10 ≥10 zostali sklasyfikowani jako mającycy objawy depresyjne, natomiast wyniki <10 jako osoby niedepresyjne.

Informacje zebrane od wszystkich uczestników badania obejmują dane demograficzne (wiek, płeć, stan cywilny, miejsce zamieszkania i poziom wykształcenia), nawyki życiowe i stan zdrowia fizycznego (aktywność fizyczna, palenie, picie, interakcje społeczne, samoocena zdrowia, stan chorób przewlekłych oraz czas drzemki) oraz informacje dotyczące warunków życia i dzieci (satysfakcja z warunków życia, stan cywilny potomstwa, oraz stan zdrowia potomstwa). Choroby przewlekłe są diagnozowane przez lekarzy i obejmują nadciśnienie, dyslipidemię, nowotwory, przewlekłe choroby płuc, choroby serca, udar, artretyzm oraz reumatyzm.

Analiza statystyczna
Binarna analiza regresji logistycznej
Zmienne kategoryczne przedstawiane są jako częstotliwości i procenty. Testy chi-kwadrat zostały przeprowadzone, aby zbadać różnice w częstości występowania depresji pomiędzy różnymi cechami demograficznymi w populacji badanej. Przeprowadzono analizę binarnej regresji logistycznej w celu zidentyfikowania istotnych czynników związanych z objawami depresji. Analizy te zostały przeprowadzone za pomocą oprogramowania SPSS (wersja 21.0).

Regresja LASSO
W wersji R 4.3.2 zbiór danych był losowo podzielony na zestaw treningowy i zestaw testowy w stosunku 7:3, używając stałego losowego ziarna, aby zapewnić powtarzalność. Konkretnie, 70% danych zostało przypisanych do zbioru treningowego do tworzenia modeli, a 30% do zestawu testowego do niezależnej walidacji. Po pierwsze, zmienne statystycznie istotne (p < 0,05) w binarnej regresji logistycznej zostały uwzględnione w analizie regresji LASSO, aby zapobiec nadmiernemu dopasowaniu poprzez zmniejszenie współczynników. Optymalna wartość lambda została określona za pomocą 10-krotnej walidacji krzyżowej. Lambda.1se został wybrany na podstawie jednej reguły błędu standardowego, aby osiągnąć optymalną wydajność wyboru zmiennej. Kurczenie LASSO zastosowano, aby zapobiec nadmiernemu dopasowaniu poprzez redukcję współczynników mniej istotnych zmiennych do zera. Szczegółowe informacje można znaleźć w Pliku Uzupełniającym 1 (pozycja 1).

Budowa nomogramu
Względne znaczenie wybranych predyktorów było oceniane według bezwzględnej wielkości ich standaryzowanych współczynników i zwizualizowane za pomocą wykresu leśnego. Wykonano nomogram predykcyjny z wykorzystaniem pakietu rms, oparty na ostatecznym równaniu regresji logistycznej. Szczegółowe informacje można znaleźć w Pliku Uzupełniającym 1 (pozycja 2).

Walidacja modelu
Rozróżnianie oceniano poprzez obliczenie pola pod charakterystyką pracy odbiornika (AUC) za pomocą pakietu pROC. AUC był obliczany oddzielnie dla zbioru treningowego i testowego. Zazwyczaj AUC większe niż 0,75 oznacza dobrą dyskryminację. Szczegółowe informacje można znaleźć w Pliku Uzupełniającym 1 (pozycja 3).

Kalibracja: Kalibracja modelu została oceniona za pomocą testu dopasowania Hosmera-Lemeshowa i zwizualizowana za pomocą krzywych kalibracyjnych generowanych przez pakiet RMS, przedstawiających przewidywane prawdopodobieństwa względem obserwowanych częstotliwości. Test nieistotny Hosmera-Lemeshowa (s. > 0,05) wskazuje na dobrą kalibrację. Szczegółowe informacje można znaleźć w Pliku Uzupełniającym 1 (pozycja 4).

Użyteczność kliniczna: Użyteczność kliniczna została oceniona za pomocą analizy krzywej decyzyjnej (DCA) w ramach pakietu RMDA, obliczając korzyści netto na progowych prawdopodobieństwach od 0% do 100%. Szczegółowe informacje można znaleźć w Pliku Uzupełniającym 1 (pozycja 5).

Walidacja lasu losowego: Jako uzupełnienie zaimplementowano model losowego lasu przy użyciu pakietu randomForest, aby ocenić stabilność i uogólnialność modelu. Krzywa zbieżności wskaźnika błędów została narysowana, aby ocenić zależność między liczbą drzew a dokładnością predykcji zarówno w zbiorach treningowych, jak i testowych. Dwustronna wartość p < 0,05 została uznana za wskazaną statystycznie istotną różnicę. Szczegółowe informacje można znaleźć w Pliku Uzupełniającym 1 (pozycja 6).

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

Results

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

Cechy próby
W badaniu wzięło udział 14 466 uczestników o następujących cechach: 46,8% miało 60-74 lata, 52,2% to kobiety, a 75,2% posiadało status rejestracji gospodarstwa rolniczego. Pod względem poziomu wykształcenia 62,9% miało wykształcenie podstawowe lub niższe. Jeśli chodzi o stan zdrowia psychicznego, 37,1% uczestników wykazywało objawy depresji, podczas gdy pozostałe 62,9% nie wykazywało żadnych objawów depresji. Szczegółowe informacje przedstawiono w Tabeli 1.

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

Discussion

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

Badanie to przyniosło kilka kluczowych wyników dotyczących czynników ryzyka i przewidywania objawów depresji u dorosłych w średnim i starszym wieku mieszkających w domu. Po pierwsze, badanie wykazało, że 37,1% dorosłych w średnim i starszym wieku mieszkających w domu wykazywało objawy depresji w Chinach, co wskazuje na wysoki poziom objawów depresji w tej populacji. Wyniki tego badania były niezgodne z wynikami globalnej metaanalizy dotyczącej częstości występowania objawów depresji u osób starszych, która wykazała wynik...

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

Disclosures

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

Nie zadeklarowano.

Acknowledgements

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

Badanie to zostało wsparte przez Projekt Planowania Nauk Społecznych prowincji Jiangxi (20SH17) oraz Projekt Nauki i Technologii Departamentu Edukacji Jiangxi (GJJ191063 i GJJ171078). Z poważaniem dziękujemy Krajowej Szkole Rozwoju Uniwersytetu Pekińskiego oraz Instytutowi Badań Nauk Społecznych za udostępnienie powiązanych danych. Wkład autora: Conceptualization, X.X.Z. i J.X.X.; metodologii, J.X.X. i S.G.Z; oprogramowanie, X.X.Z.; walidacji, J.X.X. i S.G.Z.; analizy formalnej, S.G.Z. i R.J.W.; śledztwa, J.X.X. i W.C., B.B.D. i L.B.L.; zasoby, J.X.X., S.G.Z., W.C., B.B.D. i L.B.L.; kuratorstwo danych, J.X.X. i S.G.Z; pisanie—przygotowanie oryginalnych szkiców, J.X.X. i S.G.Z; pisanie—recenzja i redakcja, X.X.Z., J.X.X., S.G.Z., R.J.W., X.J.L, Y.T.X, R.L oraz W.J.H.; nadzor, X.X.Z. Pozyskiwanie funduszy, X.X.Z. Wszyscy autorzy przeczytali i zgodzili się na opublikowaną wersję rękopisu.

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)(losowyLas)(glmnet)(dplyr)(ggrepel)(czytający)CRANNie maPakiet R do analizy krzywej decyzyjnej modelu ryzyka
Zbiór danych CHARLSDrużyna CHARLSNie maZestaw danych z China Health and Reemiment Longitudinal Study, wykorzystywany do opracowywania i walidacji modeli
R  R Foundation for Statistical Computing4.3.2  Oprogramowanie statystyczne wykorzystywane do analizy i modelowania danych.
Statystyki SPSSIBM21Oprogramowanie wykorzystywane do uzupełniającej analizy statystycznej.

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