基于XGBoost与SHAP解释的老年脑卒中患者抑郁状态预测模型构建及关键影响因素可解释性分析

《Frontiers in Neurology》:An interpretable analysis of the depressive status and its influencing factors in elderly patients with stroke

【字体: 大 中 小 】 时间:2026年04月09日 来源:Frontiers in Neurology 2.8

编辑推荐:

  为解决老年脑卒中患者抑郁状态预测模型构建及其影响因素重要性量化的问题,本研究采用XGBoost算法与SHAP可解释性分析,对260名老年脑卒中患者进行横断面研究。结果表明,抑郁患病率为24.615%,睡眠状态、社会参与、婚姻状况、跌倒史及教育水平是关键影响因素。该研究为临床制定个体化干预策略提供了数据驱动依据。

  
随着人口老龄化趋势加剧和不健康生活方式的兴起,脑卒中的发病率在全球范围内持续攀升,已成为一个重大的公共卫生挑战。脑卒中不仅损害语言和肢体功能,更会对患者的精神心理健康造成显著影响,导致情绪障碍、焦虑和抑郁,这些心理问题有时比身体残疾更难处理。研究表明,约有三分之一的脑卒中患者在卒中后的不同阶段出现抑郁症状,5年内的累积发病率高达39%至52%。卒中后抑郁(Post-stroke depression)可表现为情绪低落、兴趣减退、睡眠紊乱及躯体症状。与无抑郁症状的卒中幸存者相比,合并抑郁的患者在日常活动能力、认知功能和残疾程度方面都更为严重,功能恢复更差,复发率和死亡率也更高。此外,抑郁会阻碍患者充分参与必要的康复训练,显著延长住院时间,平均可达8.5天,这无疑加剧了医疗资源消耗,并为患者及其家庭带来额外的经济与心理负担。
然而,面对卒中后抑郁这一复杂、多因素、具有显著异质性和复杂非线性交互作用的临床问题,传统的统计学方法(如回归分析)在预测效度上存在明显局限。这些方法往往难以充分捕捉疾病发生、发展过程中的复杂模式。因此,开发稳健的预测工具,用于早期筛查和风险识别,从而及时干预,对于防止抑郁进展、减轻其不良负担至关重要。在此背景下,发表在《Frontiers in Neurology》上的一项研究,运用前沿的机器学习方法,为我们揭示了老年脑卒中患者抑郁状态的关键影响因素及其相对重要性。
为了回答上述问题,研究者们开展了一项横断面调查研究。从2024年5月至2025年6月,研究人员在南京和盐城的两家医院,采用便利抽样法对老年脑卒中患者进行了调查。在排除无效问卷后,最终纳入了260名有效参与者。研究采用15项老年抑郁量表(GDS-15)筛查抑郁状态。在数据分析策略上,研究首先采用单因素分析和二元Logistic回归进行初步的变量筛选,然后将有统计学意义的变量纳入机器学习模型。核心的预测建模工作是在Python 3.9环境中,利用Pandas、NumPy和XGBoost库完成的。研究者构建了一个XGBoost分类模型,并通过网格搜索和5折交叉验证对模型超参数(如最大树深度max_depth、树的数量n_estimators)进行调优。为了增强模型的可解释性,研究引入了基于合作博弈论的SHAP(Shapley Additive exPlanations)值,以量化每个特征对模型预测的贡献方向和大小,从而对影响因素进行直观、可解释的重要性排序。
研究结果
  • •
    参与者的一般特征:在接受调查的老年脑卒中患者中,抑郁的患病率为24.615%。基线特征分析显示,在抑郁组与非抑郁组之间,教育水平、居住安排、婚姻状况、跌倒史、社会参与、睡眠状况、糖尿病史和高血压史等变量存在统计学差异。
  • •
    多元二元Logistic回归分析:以老年脑卒中患者的抑郁状态为因变量进行的Logistic回归分析表明,高中教育水平是保护因素,而未婚/离异/丧偶状态、有跌倒史、缺乏社会参与以及睡眠状况差/非常差是抑郁的风险因素。
  • •
    XGBoost模型结果:
    • •
      最优特征子集:通过交叉验证评估,当特征子集大小为4时,模型达到最高的交叉验证准确率(0.800)。
    • •
      特征重要性排序:基于最优特征子集构建的XGBoost模型,经SHAP分析得到各特征对预测老年脑卒中患者抑郁的贡献度排序。按平均绝对SHAP值降序排列,关键影响因素依次为:睡眠状况、社会参与、婚姻状况、跌倒史和教育水平。SHAP密度散点图进一步展示了特征值分布与预测结果之间的关系。
结论与讨论
本研究通过XGBoost模型对260名老年脑卒中患者的抑郁相关因素进行了分析,识别并按重要性排序了关键影响因素:睡眠状况、社会参与、婚姻状况、跌倒史和教育水平。这一发现为临床干预提供了清晰的优先序。
睡眠状况被识别为最重要的影响因素。较差的睡眠质量与卒中后更高的抑郁发生概率相关。其潜在生理机制可能涉及睡眠对免疫反应的双向调节、对单胺类神经递质系统和下丘脑-垂体-肾上腺(HPA)轴功能的干扰,以及生物钟基因表达异常对情绪调节脑区的影响。因此,临床医护人员应积极为住院的老年脑卒中患者创造舒适的睡眠环境,协助其建立健康的睡眠习惯,以改善睡眠质量,降低抑郁发生率。
社会参与是另一个关键风险因素。卒中后的身体残疾和功能下降常导致患者社会活动减少,缺乏社会支持和互动可能加剧孤独感和心理压力,从而诱发抑郁。鼓励患者加强社会参与,有助于促进社会融合,改善自我认同,产生积极情绪,对缓解抑郁症状、改善康复结局有益。
婚姻状况的影响体现在,未婚患者更易发生抑郁。配偶不仅能提供生活照料和经济援助,还能通过陪伴和鼓励增强患者的康复信念和心理韧性,提供情感慰藉。相比之下,无配偶患者获得家庭支持较少,生活压力和情感交流的缺乏使其心理健康状况更差。医护人员应特别关注未婚患者,协助其寻求社会支持,给予更多关怀。
跌倒史也是一个显著的风险因素。跌倒可能给患者带来身体创伤和疼痛,加剧躯体痛苦,进而负面影响情绪。对于有跌倒史的卒中患者,临床护理人员除进行及时的身体检查和治疗外,还应关注其心理状态,提供心理支持,帮助其积极应对,减少恐惧和焦虑。
教育水平作为保护因素出现。教育水平较高的患者通常能更积极地获取疾病相关知识,治疗依从性更好,与医护人员配合更有效。但有趣的是,本研究未发现大学及以上教育水平与抑郁有显著关联,这可能与样本量有限有关,需在未来扩大样本量进一步验证。
研究意义与局限性
本研究的结论提示,临床医疗保健专业人员应定期筛查老年脑卒中患者的抑郁状态,考虑实施个性化干预,提供及时的心理咨询,并针对可改变的风险因素(尤其是睡眠和社会参与)采取措施,以降低该人群的抑郁发病率。
当然,本研究也存在一些局限性。首先,横断面设计无法确定因果关系。其次,样本量相对较小,且仅来自两家医院,采用便利抽样,可能偏向病情稳定、依从性高的患者,影响了模型的外部效度(external validity)和普适性(generalizability)。第三,部分变量(如睡眠状况)采用主观临床分类而非客观测量工具评估。最后,未控制如卒中严重程度(如美国国立卫生研究院卒中量表NIHSS评分)和康复治疗状态等潜在混杂因素。因此,未来需要更大规模、多中心的研究,采用更客观的测量方法和纵向设计,以进一步阐明老年脑卒中患者抑郁的决定因素。
尽管存在这些限制,本研究通过结合XGBoost算法与SHAP可解释性框架,为理解老年脑卒中后抑郁的复杂影响因素提供了新的、数据驱动的见解,并为开发临床实用的早期预警和干预策略奠定了方法学基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号