基于可解释性机器学习的围绝经期抑郁症风险预测模型

陈俊龙1, 张韵清1, 高嘉2, 赖虹臻3, 王革生4, 李中浩4, 邓雯洁1, 刘佳霖4

【作者机构】 1北京中医药大学研究生院; 2北京中医药大学东方医院教育处; 3北京中医药大学中药学院; 4北京中医药大学东方医院脑病三科
【分 类 号】 R246.6;TP181
【基    金】 北京中医药大学创新创业训练项目(S202510026021)。
全文 文内图表 参考文献 出版信息
基于可解释性机器学习的围绝经期抑郁症风险预测模型

基于可解释性机器学习的围绝经期抑郁症风险预测模型

陈俊龙1 张韵清1 高 嘉2 赖虹臻3 王革生4 李中浩4 邓雯洁1 刘佳霖4

1.北京中医药大学研究生院,北京 100029;2.北京中医药大学东方医院教育处,北京 100078;3.北京中医药大学中药学院,北京 102401;4.北京中医药大学东方医院脑病三科,北京 100078

[摘要] 目的 基于可解释性机器学习构建围绝经期抑郁症(PMD)风险预测模型,以期为PMD的早期识别提供辅助决策工具。 方法 从NHANES数据库提取2007年1月至2018年12月45~55岁女性的调查数据,并将数据按7:3的比例划分训练集与测试集。采用LASSO回归和Boruta算法筛选核心变量,构建10种机器学习模型并通过受试者操作特征曲线、校准曲线及决策曲线分析评估模型性能,选取最优模型。使用沙普利加和解释框架对最优模型进行可解释性分析。 结果 本研究共纳入研究对象1 574例,其中PMD患者178例。经特征筛选,共鉴定出9个相关预测因子。轻量级梯度提升机模型性能最优,校准度及临床净收益良好。睡眠障碍与PMD风险关联最强且为正向影响。 结论 本研究构建的轻量级梯度提升机模型在PMD风险预测方面具有较好效能,并揭示了各影响因素与PMD风险的关联模式及贡献大小,为PMD的早期识别和风险评估提供了有益参考。

[关键词] 围绝经期抑郁症;机器学习;NHANES数据库;风险评估

围绝经期抑郁症(perimenopausal depression,PMD)作为围绝经期女性常见的精神障碍性疾病,其患病率约为35.6%且呈逐年上升态势,不仅严重影响患者的生活质量,还与认知障碍等远期健康风险相关[1]。然而,PMD病因病机繁杂,诊断主要依赖临床医师的主观评估和量表筛查,缺乏客观、精准的早筛工具,许多患者往往在症状严重时才被确诊,错失最佳干预时机[2]。如何加强其风险识别已成为当前精神领域的研究热点。

近年来,基于机器学习构建的疾病预测模型在医学领域应用日益广泛,但关于PMD的模型研究尚显不足且缺乏可解释性,预测结果与临床相关性往往难以被充分理解,应用转化有限。鉴于此,本研究基于NHANES数据库,依托10种机器学习算法,拟构建具有可解释性的PMD风险预测模型,以期为PMD的早期识别提供辅助决策依据。

1 资料与方法

1.1 数据来源与变量选择

NHANES数据库(https://www.cdc.gov/nchs/nhanes/index.html)源自美国国家健康统计中心的全国性健康营养调查,其原始研究已获得相应伦理批准。本研究为该数据的二次分析,遵循相关使用政策,无需额外伦理审批。本研究选取2007年1月至2018年12月6个周期数据,纳入年龄45~55岁、近1年因更年期出现月经紊乱的女性;排除9项患者健康问卷等关键变量缺失或异常的女性。当满足上述条件且问卷总分>9分则判定为PMD[3]。

借鉴已发表文献并结合专业知识确定协变量:①人口学资料。年龄、婚姻状况、教育水平、贫困状况、医保情况及体质量指数。②生活习惯。吸烟、饮酒及每周娱乐活动情况。③妇科相关表型。初潮年龄、妊娠次数、首次妊娠年龄、末次妊娠年龄、子宫切除史、卵巢切除史、避孕药使用史、雌激素使用史。④疾病史。睡眠障碍、脑卒中、高脂血症、糖尿病、高血压病、心力衰竭、冠心病、哮喘、慢性支气管炎、关节炎、痛风、甲状腺疾病、肝脏疾病、肾功能不全及肿瘤病史[4]。

1.2 数据清洗与特征筛选

所有分析均基于R 4.3.0统计学软件完成。对于缺失率 ≤20%的变量采用Mice包进行插补,>20%的变量予以剔除。将数据按7:3的比例划分为训练集和测试集[5]。使用glmnet、Boruta包构建LASSO回归和Boruta算法对训练集变量进行特征筛选,其中LASSO回归以λmin作为变量筛选标准;将筛选得到的特征变量取交集并作为后续模型构建的输入变量[6]。

1.3 模型构建

通过gbm、mlr3包构建逻辑回归、支持向量机、梯度提升机、神经网络、随机森林、极端梯度提升、K近邻、自适应增强、轻量级梯度提升机及类别特征提升10种机器学习模型,采用10折交叉验证进行模型参数优化和内部验证。

1.4 模型的性能评价及可解释性

基于测试集对模型性能进行评估。采用pROC包绘制受试者操作特征曲线并计算曲线下面积(area under curve,AUC),结合rms等包绘制校准曲线及决策曲线分析(decision curve analysis,DCA),综合评价模型的区分度、校准度与临床适用性选择最优模型。进一步应用沙普利加和解释(SHapley Additive exPlanations,SHAP)框架对最优模型进行可解释性分析,借助shapviz等R包计算SHAP值量化各特征对预测结果的贡献;通过蜂群图、特征重要性条形图可视化特征贡献度及边际效应方向,并利用部分依赖图解析特征-结局的非线性关系。同时,随机选取样本进行瀑布图分析以展示局部解释结果。

1.5 统计学方法

采用R 4.3.0统计学软件进行数据分析。不符合正态分布的计量资料采用中位数(M)和四分位数(P25,P75)表示,比较采用Mann-Whitney U检验。计数资料以例数(百分率)[例(%)]表示,比较采用Pearson χ2检验、Fisher确切概率法或Monte Carlo模拟χ2检验。以P<0.05为差异有统计学意义。

训练集与测试集基线特征比较中,同时计算标准化均数差以评价两组间均衡性,并以标准化均数差<0.2作为均衡性可接受的判断标准[7]。

2 结果

2.1 1 574例研究对象基线特征比较

本研究共纳入研究对象1 574例,其中PMD患者178例。两组年龄、婚姻状况、教育水平、贫困情况、吸烟、每周适度娱乐活动、饮酒、高血压病、心力衰竭、冠心病、哮喘、慢性支气管炎、关节炎、初潮年龄、首次及末次妊娠年龄、雌激素使用史、睡眠障碍、肝脏疾病和肾功能不全比较,差异有统计学意义(P<0.05)。见表1。

表1 两组基线资料比较

项目非PMD组(1 396例)PMD组(178例)χ2/U值P值年龄[岁,M(P25,P75)]52.00(49.00,54.00)51.00(48.25,53.00)111 294.0000.023婚姻状况[例(%)]15.584<0.001否575(41.2)101(56.7)是821(58.8)77(43.3)教育水平[例(%)]10.2550.001高中以下305(21.8)58(32.6)高中及以上1 091(78.2)120(67.4)贫困[例(%)]27.258<0.001否1 112(79.7)111(62.4)是284(20.3)67(37.6)医疗保险[例(%)]3.0210.082无261(18.7)43(24.2)有1 135(81.3)135(75.8)体质量指数[例(%)]4.5320.099<18.5 kg/m220(1.4)5(2.8)18.5~<24.0 kg/m2243(17.4)22(12.4)≥24.0 kg/m21 133(81.2)151(84.8)吸烟[例(%)]37.559<0.001否824(59.0)62(34.8)是572(41.0)116(65.2)每周适度娱乐活动[例(%)]17.488<0.001无867(62.1)139(78.1)有529(37.9)39(21.9)饮酒[例(%)]4.2610.039否1 073(76.9)149(83.7)是323(23.1)29(16.3)初潮年龄[岁,M(P25,P75)]13.00(12.00,14.00)12.00(11.00,13.75)108 905.5000.006妊娠次数[次,M(P25,P75)]3(2,4)3(2,5)117 414.5000.223首次妊娠年龄[岁,M(P25,P75)]21(19,25)20(18,23)101 686.000<0.001末次妊娠年龄[岁,M(P25,P75)]29.00(24.00,34.00)27.50(23.00,32.00)110 582.0000.017子宫切除史[例(%)]2.6490.104无821(58.8)116(65.2)有575(41.2)62(34.8)卵巢切除史[例(%)]0.7100.400无1 157(82.9)143(80.3)有239(17.1)35(19.7)避孕药使用史[例(%)]0.7020.402无344(24.6)49(27.5)有1 052(75.4)129(72.5)雌激素使用史[例(%)]4.5710.033无1 095(78.4)127(71.4)有301(21.6)51(28.6)睡眠障碍[例(%)]70.726<0.001无896(64.2)56(31.5)有500(35.8)122(68.5)脑卒中[例(%)]2.4760.116无1 344(96.3)167(93.8)有52(3.7)11(6.2)高脂血症[例(%)]2.2990.129无287(20.6)28(15.7)有1 109(79.4)150(84.3)糖尿病[例(%)]1.6000.206无1 027(73.6)123(69.1)有369(26.4)55(30.9)高血压病[例(%)]15.669<0.001无753(53.9)68(38.2)有643(46.1)110(61.8)心力衰竭[例(%)]-0.001无1 375(98.5)168(94.4)有21(1.5)10(5.6)

续表1

项目非PMD组(1 396例)PMD组(178例)χ2/U值P值冠心病[例(%)]34.545<0.001无1 346(96.42)154(86.5)有50(3.58)24(13.5)哮喘[例(%)]22.137<0.001无1 148(82.2)120(67.4)有248(17.8)58(32.6)慢性支气管炎[例(%)]31.618<0.001无1 263(90.5)136(76.4)有133(9.5)42(23.6)关节炎[例(%)]41.940<0.001无899(64.4)70(39.3)有497(35.6)108(60.7)痛风[例(%)]-0.299无1 365(97.8)172(96.6)有31(2.2)6(3.4)甲状腺疾病[例(%)]2.3160.128无1 169(83.7)141(79.2)有227(16.3)37(20.8)肝脏疾病[例(%)]5.7870.016无1 307(93.6)158(88.8)有89(6.4)20(11.2)肾功能不全[例(%)]16.078 <0.001无1 350(96.7)161(90.5)有46(3.3)17(9.5)肿瘤[例(%)]1.6620.197无1 252(89.7)154(86.5)有144(10.3)24(13.5)

注 “-”Fisher确切概率法。PMD:围绝经期抑郁症。

2.2 训练集和测试集基线资料比较

训练集与测试集年龄、心力衰竭、冠心病、首次妊娠年龄比较,差异有统计学意义(P<0.05);同时,各变量标准化均数差均<0.2,两组基线特征总体均衡,具有可比性。见表2。

表2 训练集和测试集基线资料比较

项目训练集(1 103例)测试集(471例)χ2/U值P值标准化均数差围绝经期抑郁症[例(%)]0.0020.9630.003否978(88.7)418(88.7)是125(11.3)53(11.3)年龄[岁,M(P25,P75)]52(49,54)51(49,54)239 569.0000.0140.125婚姻状况[例(%)]0.1330.7150.020否477(43.2)199(42.3)是626(56.8)272(57.7)教育水平[例(%)]1.1980.2740.060高中以下246(22.3)117(24.8)高中及以上857(77.7)354(75.2)贫困[例(%)]0.4430.5060.037否852(77.2)371(78.8)是251(22.8)100(21.2)医保[例(%)]1.9320.1650.077无223(20.2)81(17.2)有880(79.8)390(82.8)体质量指数[例(%)]1.5900.4520.072<18.5 kg/m220(1.8)5(1.1)18.5~<24.0 kg/m2181(16.4)84(17.8)≥24.0 kg/m2902(81.8)382(81.1)吸烟[例(%)]0.2090.6470.025否625(56.7)261(55.4)是478(43.3)210(44.6)每周适度娱乐活动[例(%)]0.3240.5690.031无700(63.5)306(65.0)有403(36.5)165(35.0)饮酒[例(%)]0.4960.4810.039否851(77.2)371(78.8)是252(22.8)100(21.2)

续表2

项目训练集(1 103例)测试集(471例)χ2/U值P值标准化均数差初潮年龄[岁,M(P25,P75)]13(12,14)13(12,14)257 076.0000.7410.013妊娠次数[次,M(P25,P75)]3(2,4)3(2,4)253 362.0000.4300.058首次妊娠年龄[岁,M(P25,P75)]21(18,25)21(18,25)243 402.0000.0470.105末次妊娠年龄[岁,M(P25,P75)]29(24,34)29(25,34)249 074.0000.1950.071子宫切除史[例(%)]1.6960.1930.072无645(58.5)292(62.0)有458(41.5)179(38.0)卵巢切除史[例(%)]0.5250.4690.040无906(82.1)394(83.7)有197(17.9)77(16.3)避孕药使用史[例(%)]1.4910.2220.068无285(25.8)108(22.9)有818(74.2)363(77.1)雌激素使用史[例(%)]3.5840.0580.106无842(76.3)380(80.7)有261(23.7)91(19.3)睡眠障碍[例(%)]0.3010.5830.030无672(60.9)280(59.4)有431(39.1)191(40.6)脑卒中[例(%)]1.3570.2440.062无1 063(96.4)448(95.1)有40(3.6)23(4.9)高脂血症[例(%)]0.4250.5140.036无216(19.6)99(21.0)有887(80.4)372(79.0)糖尿病[例(%)]0.5770.4470.042无812(73.6)338(71.8)有291(26.4)133(28.2)高血压病[例(%)]1.3830.2390.065无586(53.1)235(49.9)有517(46.9)236(50.1)心力衰竭[例(%)]11.9420.0010.170无1 090(98.8)453(96.2)有13(1.2)18(3.8)冠心病[例(%)]4.1740.0410.108无1 059(96.0)441(93.6)有44(4.0)30(6.4)哮喘[例(%)]2.9910.0840.094无901(81.7)367(77.9)有202(18.3)104(22.1)慢性支气管炎[例(%)]0.4050.5250.035无984(89.2)415(88.1)有119(10.8)56(11.9)关节炎[例(%)]0.2090.6480.025无675(61.2)294(62.4)有428(38.8)177(37.6)痛风[例(%)]0.5670.4520.043无1 075(97.5)462(98.1)有28(2.5)9(1.9)甲状腺疾病[例(%)]0.0001.000<0.001无918(83.2)392(83.2)有185(16.8)79(16.8)肝脏疾病[例(%)]0.0900.7640.016无1 028(93.2)437(92.8)有75(6.8)34(7.2)肾功能不全[例(%)]0.1040.7470.018无1 060(96.1)451(95.8)有43(3.9)20(4.2)肿瘤[例(%)]1.6800.1950.073无978(88.7)428(90.9)有125(11.3)43(9.1)

2.3 变量筛选结果

LASSO回归和Boruta算法取交集后,共鉴定出9个相关预测因子,分别为教育水平、医疗保险、心力衰竭、冠心病、关节炎、首次妊娠年龄、子宫切除史、睡眠障碍、肾功能不全。见图1。

图1 特征变量筛选结果及维恩图

2.4 模型的构建与评价结果

轻量级梯度提升机模型AUC值最高(0.748),校准曲线与理想曲线最为贴合,且DCA曲线在大部分阈值区间表现出较高的净收益,故选择该模型作为本研究的最优建模方案。见图2。

图2 机器学习模型在测试集中的判别能力、校准度及临床效用评估

2.5 轻量级梯度提升机的SHAP分析

睡眠障碍与PMD风险关联最强且为正向影响;关节炎、肾功能不全、冠心病及心力衰竭亦对PMD风险呈正向影响,而子宫切除史、教育水平、医疗保险及首次妊娠年龄与PMD风险呈负向影响。部分依赖图结果显示,首次妊娠年龄在19~22岁对模型预测主要起正向影响,之后则呈负向影响。基于随机样本的SHAP瀑布图结果显示,睡眠障碍、关节炎、子宫切除史、首次妊娠年龄、教育水平及肾功能不全等是影响PMD的主要因素。见图3。

图3 轻量级梯度提升机模型的SHAP解释性分析结果

3 讨论

本研究依托NHANES数据库,通过多种算法识别出9个PMD相关预测因子,并基于轻量级梯度提升机构建了一个具有可解释性的风险预测模型,为PMD的精准诊疗提供了有益尝试。

SHAP分析结果显示,睡眠障碍是影响PMD的重要因素。不良睡眠可扰乱下丘脑-垂体-肾上腺轴并损害海马体等边缘系统结构,进而增加情感脆性[8]。而围绝经期伴随的潮热等生理不适亦可损害睡眠质量,进一步破坏情绪稳态并形成恶性循环。此外,关节炎、冠心病、心力衰竭及肾功能不全等慢性疾病亦驱动PMD的发生、发展,或与慢性炎症及氧化应激的累积效应有关[9-12]。本研究还识别出若干保护性因素。较高的教育水平可能通过提升健康素养与应对能力来缓解压力和焦虑;医疗保险则直接改善医疗服务的可及性;较晚的首次妊娠年龄可能因雌、孕激素暴露时间缩短,从而减轻围绝经期激素波动对情绪的影响[13];而子宫切除史的保护作用与部分研究存在分歧[14]。本研究基于横断面数据,可能存在反向因果或混淆偏倚。子宫切除史的保护效应可能源于手术解除子宫疾病相关症状、改善患者生活质量及心理状态。但反向因果也不容忽视,即抑郁症状较重的女性可能因寻求症状缓解或合并妇科疾病而更易接受子宫切除[15]。今后应采用纵向研究设计,进一步厘清其与PMD之间的真实关系,并区分因果方向。

基于本研究,建议在临床实践中将睡眠障碍患者纳入PMD高危管理。对合并关节炎等慢性躯体性疾病的患者推行多学科共病管理与PMD症状同步监测。同时应通过健康教育和医疗保障体系优化降低社会经济脆弱人群风险,并开展针对性健康宣教,倡导适龄妊娠,以降低其远期发病风险。

本研究存在一定的局限性:①研究基于美国人群,可能无法完全代表中国人群特征,存在混杂偏倚风险;②研究为横断面设计,难以推断因果关系,且缺乏外部验证,结论推广需谨慎;③样本量较小且正负样本比例失衡,可能降低模型对少数类的识别效能,临床应用转化有待探索。

综上所述,本研究通过多维特征分析,初步验证了睡眠障碍等因素在PMD发病中的关键作用,并探索了社会经济因素与生殖健康特征对围绝经期女性心理健康的潜在影响模式,为理解其“生物-心理-社会”多维发病机制提供了重要依据。然而,本研究样本量较小且数据来源于公共数据库,结论外推需审慎。今后应在更大规模人群中开展前瞻性队列研究,以验证潜在的因果关联,并整合多组学数据深入解析内在机制,从而构建更精准、可推广的PMD早期防治体系。

利益冲突声明:所有作者均声明不存在利益冲突。

[参考文献]

[1] Jia Y,Zhou Z,Xiang F,et al. Global prevalence of depression in menopausal women:a systematic review and metaanalysis [J]. J Affect Disorders,2024,358:474-482.

[2] Parry B L. Towards improving recognition and management of perimenopausal depression [J]. Menopause,2020,27(4):377-379.

[3] Richard A,Rohrmann S,Mohler-Kuo M,et al. Urinary phytoestrogens and depression in perimenopausal US women:NHANES 2005-2008 [J]. J Affect Disorders,2014,156:200-205.

[4] Jiang M,Chen L,Zheng X,et al. Latent profile analysis of symptoms of depression and anxiety among perimenopausal women and their predictors [J]. Front Psychiatry,2025,16:1572570.

[5] 乔丽敏,赵雅宁,刘瑶,等. 基于XGBoost-SHAP的预后营养指数和椎动脉阻力指数对老年轻型缺血性脑卒中患者衰弱预测模型的影响[J]. 中国慢性病预防与控制,2025,33(5):357-362.

[6] 杨倩,肖晶旻,陈远彬,等. 肺结节中西医结合恶性风险预测模型的建立与验证[J]. 中国实验方剂学杂志,2025,31(2):129-139.

[7] Austin P C. Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples [J]. Stat Med,2009,28(25):3083-3107.

[8] Meerlo P,Havekes R,Steiger A. Chronically restricted or disrupted sleep as a causal factor in the development of depression [J]. Curr Top Behav Neurosci,2015,25:459-481.

[9] Leonard B E. Impact of inflammation on neurotransmitter changes in major depression:an insight into the action of antidepressants [J]. Prog Neuro-Psychoph,2014,48:261-267.

[10] Vizzardi E,Bonadei I,Zanini G,et al. Homocysteine and heart failure:an overview [J]. Recent Pat Cardiovasc Drug Discov,2009,4(1):15-21.

[11] Bhatia P,Singh N. Homocysteine excess:delineating the possible mechanism of neurotoxicity and depression [J].Fund Clin Pharmacol,2015,29(6):522-528.

[12] Levassort H,Boucquemont J,Lambert O,et al. Urea level and depression in patients with chronic kidney disease [J]. Toxins,2024,16(7):326.

[13] LI F,HE F,SUN Q,et al. Reproductive history and risk of depressive symptoms in postmenopausal women:a cross-sectional study in eastern China [J]. J Affect Disorders,2019,246:174-181.

[14] Choi H G,Rhim C C,Yoon J Y,et al. Association between hysterectomy and depression:a longitudinal follow-up study using a national sample cohort [J]. Menopause,2020,27(5):543-549.

[15] Katon J G,Callegari L S,Bossick A S,et al. Association of depression and post-traumatic stress disorder with receipt of minimally invasive hysterectomy for uterine fibroids:findings from the US Department of Veterans Affairs [J]. Womens Health Issues,2020,30(5):359-365.

A risk prediction model for perimenopausal depression based on interpretable machine learning

CHEN Junlong1 ZHANG Yunqing1 GAO Jia2 LAI Hongzhen3 WANG Gesheng4 LI Zhonghao4 DENG Wenjie1 LIU Jialin4

1.Graduate School, Beijing University of Chinese Medicine, Beijing 100029, China; 2.Education Office, Dongfang Hospital, Beijing University of Chinese Medicine, Beijing 100078, China; 3.School of Traditional Chinese Pharmacy,Beijing University of Chinese Medicine, Beijing 102401, China; 4.the Third Department of Neurology, Dongfang Hospital, Beijing University of Chinese Medicine, Beijing 100078, China

[Abstract] Objective To develop a risk prediction model for perimenopausal depression (PMD) based on interpretable machine learning, aiming to provide an auxiliary decision-making tool for the early identification of PMD. Methods The survey data from women aged 45-55 years between January 2007 and December 2018 were extracted from the NHANES database,and the data were divided into training set and test set in a 7:3 ratio. Core variables were selected using LASSO regression and Boruta algorithm, ten machine learning models were constructed and evaluated based on the receiver operating characteristic curve, calibration curves, and decision curve analysis. The best-performing model was selected.The interpretability analysis of the optimal model was conducted using the SHapley Additive exPlanations. Results A total of 1 574 study participants were included, among whom 178 were PMD patients. After feature screening, a total of nine related predictors were identified. The light gradient boosting machine model had the best performance, with good calibration and clinical net benefits. Sleep disorders were most strongly associated with the risk of PMD and had a positive impact. Conclusion The light gradient boosting machine model developed in this study demonstrates moderate-togood performance in predicting PMD risk and elucidates the association patterns and magnitude of contributions of various influencing factors, thereby providing a valuable reference for early identification and risk assessment of PMD.

[Key words] Perimenopausal depression; Machine learning; NHANES database; Risk assessment

[中图分类号] R246.6;TP181

[文献标识码] A

[文章编号] 1673-7210(2026)09(c)-0058-08

DOI:10.20047/j.issn1673-7210.25071368

[作者简介] 陈俊龙(1999.10-),男,北京中医药大学东方医院2026级中西医结合临床专业在读博士研究生;研究方向:中西医结合防治脑病。

[通信作者] 刘佳霖(1982.1-),男,博士,主任医师,硕士生导师;研究方向:中西医结合防治脑病。

[基金项目] 北京中医药大学创新创业训练项目(S202510026021)。

(收稿日期:2025-07-17)

(修回日期:2025-12-09)

X