基于可解释机器学习的老年人抑郁症状因素分析

摘要

目的 分析与老年人抑郁症状相关的诸多影响因素，为后续抑郁症的治疗以及老年群体身心健康改善提供支持。方法 基于2020年中国健康与养老追踪调查项目的相关数据，挑选其中的变量，选择使用EBM（Explainable Boosting Machine）、GAMINet（Generalized Additive Model with Interactions Network）、XGBoost（Extreme Gradient Boosting）以及TabNet 4种方式建立与老年人抑郁症状影响因素相关的模型，并对其训练效果进行评价，同时利用SHAP方法对模型进行解释分析。结果 通过数据分析发现XGBoost和TabNet在结果预测精度方面有着略微的优势，但可解释性相对较差。EBM和GAMINet二者虽然在预测精度方面表现出一定的劣势，具有着较强的可解释性，能够客观地展示不同特征对结果预测做出的贡献。对老年人抑郁症状产生影响的众多因素排名靠前的分别为女性、无配偶同居、文化程度较低、农村户口、西部地区、非党员、参与社会活动、吸烟、不喝酒、慢性病数目多。结论 可解释机器学习模型能够针对老年人抑郁症状的影响因素正确进行识别，并在解释不同因素各种作用机制的前提下，确保医师能够基于个人、家庭、社区、医疗等多个方面形成有关老年人身心健康方面的医疗服务体系。