解释性机器学习模型对老年抑郁症患者的识别——基于美国国家健康和营养检测调查数据库
Identification of patients with senile depression by interpretable machine learning model-based on the US National Health and Nutrition Examina-tion Survey作者机构：东南大学公共卫生学院 南京大学医学院附属鼓楼医院统计中心
出 版 物：《现代预防医学》 (Modern Preventive Medicine)
年 卷 期：2024年第51卷第5期
页 面：781-787页
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 100205[医学-精神病与精神卫生学] 0811[工学-控制科学与工程] 10[医学] 0812[工学-计算机科学与技术（可授工学、理学学位）]
主 题：老年人 抑郁症 解释性机器学习 XGBoost SHAP
摘 要：目的 基于2005—2021年美国国家健康和营养检测调查数据库，使用可解释性机器学习方法识别65岁以上老年人中的抑郁症患者。方法 以2005—2018年及2019—2020年的数据分别作为训练集及测试集，拟合lasso logistic、随机森林、XGBoost三种机器学习模型，以测试集上的AUC最大选择较优的模型，使用解释性机器学习模型SHAP进行解释。结果 XGBoost模型AUC值最大，为0.933(0.912～0.954)，是否存在睡眠问题、是否存在健康问题和嗜酸性粒细胞计数为影响老年人抑郁症的前三重要的变量，变量SHAP值的绝对值分别为1.16、0.83、0.55;SHAP力图呈现了每个个体的主要的影响因素，根据SHAP值对每个个体进行解释。结论 机器学习在预测老年人抑郁症方面性能优于logistic回归模型，解释性机器学习可以从全局和个体层面解释模型做出预测，打开机器学习模型的黑箱，在实际应用中可以作为机器学习模型的补充。
同方期刊数据库