北大郭静团队仅4天发表！CHARLS共病研究这波操作我给满分

源自风暴统计网：一键统计分析与绘图的AI网站

引言

突破传统 “单一时间点抑郁评分” 分析框架，北大学者用CHARLS公共数据系统分层分析不同抑郁轨迹下 MCDs 的危险因素。复现不难，快来简单看下吧！

ps：郑老师团队开发的CHARLS整理分析平台已上线，复杂动态队列数据一键提取和分析，欢迎联系我们试用！

抑郁症状与多种慢性病（MCDs）是全球中老年人群疾病负担的重要构成因素，然而既往研究多聚焦于某一时间点的抑郁症状，而忽视了其长期动态变化特征。

2025年10月10日，北京大学学者用CHARLS数据库，在期刊《Journal of Affective Disorders》（医学二区Top，IF=4.9）发表了一篇题为：“The similarities and differences of multiple chronic diseases risk factors across depressive symptoms trajectories among middle-aged and older Chinese adults: A 10-year longitudinal cohort study”的研究论文，旨在基于中国45岁及以上人群的抑郁症状轨迹，识别其罹患多重慢性疾病（MCDs）的共性及特异性风险因素。

本公众号回复“ 原文”即可获得文献PDF等资料，如需CHARLS数据库方法学习，请联系郑老师团队，微信号：aq566665

研究基于中国健康与退休纵向研究（CHARLS）数据库2011-2020年的数据，经过筛选，最终纳入2552名基线无慢性病、完成全部随访、年龄≥45岁的参与者。

研究思路如下：

首先，使用潜类别增长模型（LCGM）与增长混合模型（GMM）识别抑郁症状的长期轨迹；

随后，基于不同轨迹分组，采用七种机器学习算法构建MCDs预测模型，并通过递归特征消除与SHAP方法进行特征选择与模型解释；

最后，开发在线预测工具，实现个体化风险评估，并通过敏感性分析验证结果的稳健性。

图1 研究的总体流程图

主要研究结果

研究共识别出四种抑郁症状轨迹：稳定低症状（75.12%）、持续高症状（6.62%）、新发加重症状（12.15%）与缓解症状（6.11%）。

图2 2011年至2020年抑郁症状的异质性长期轨迹

结果显示，在 7 种机器学习模型中，随机森林、XGBoost与GBDT模型分别为 “持续高症状”“新发加重症状”“缓解症状” 轨迹的最优 MCDs 预测模型，其AUC-ROC分别为0.834、0.838与0.805。

图3 七种机器学习模型在不同轨迹的AUC-ROC曲线、准确率和Brier评分对比

SHAP分析进一步明确，所有轨迹的共同重要风险因素包括腰围、自评健康、睡眠时长、抑郁评分与年龄；而轨迹特异性因素包括BMI（持续高症状）、握力（新发加重症状）与午睡时长（缓解症状）。

同时，SHAP图进一步揭示了各因素对预测结果的贡献方向与强度。

图4 SHAP分析结果

持续高症状与稳定低症状(A)；新发加重症状与稳定低症状(B)；缓解症状与稳定低症状(C)；

综上所述，揭示了抑郁症状轨迹的异质性及其与MCDs风险的动态关联，通过机器学习模型识别出共性与轨迹特异性风险因素。研究建议临床实践中结合个体抑郁症状轨迹特征，重点关注腰围、自评健康等共同因素及轨迹特异性指标，以实现更有效的健康管理。

CHARLS整理分析平台

还在为 CHARLS队列数据分析头疼吗？

郑老师团队开发的CHARLS整理分析平台，不仅海量指标一键提取和分析，最重要的是，复杂的动态队列数据不用您费心研究了！难题都交给我们，发刊效率拉满。

欢迎免费试用：

https://zs./charls_encryption/CHALRS_data/charls_data_1.3_trial/

记得点个小小的关注👇

持续分享CHARLS数据库的高分发文思路