《Journal of Health, Population and Nutrition》：Influencing factors of depressive symptoms in middle-aged and elderly people and its regional differences in china: a study based on Bayesian network model
编辑推荐：
研究以COVID-19期间CHARLS 3582例样本揭示中西部抑郁症状（DS）高发46.5%，用BNs首次厘清性别、身体疼痛、自评健康、IADL、睡眠与区域六类直接节点，为社区精准干预提供可视化证据。
当疫情阴影笼罩，人们关注呼吸之时，另一场“情绪瘟疫”悄然侵袭中国中老年群体：近半数被抑郁症状（DS）捕捉，且西部与中部省份的阴霾比东部更浓。为何同在国土，愁绪却地理分层？传统回归只能给出“相关”，却画不出症状与风险因素的因果路线图，更无法告诉基层医生“先干预谁”。Gong等研究者决定用能刻画条件概率的贝叶斯网络（BNs）为DS绘制“风险地图”，以期把有限的心理健康资源精准投向最直接、最能撬动情绪改变的节点。
研究团队首先从2020年第五轮中国健康与养老追踪调查（CHARLS）19 395份问卷中，依年龄≥45岁、已婚、核心变量完整等标准筛出3582例样本；以CESD-10≥10分界定DS，发现46.5%的参与者“中枪”。随后用Logistic回归（向后LR法）从人口学、慢病、生活方式等变量中初筛11个显著因子，再借bnlearn包进行最大-最小爬山结构学习与最大似然估计，构建包含12个节点、20条有向边的BNs，并用Netica可视化；同时利用ArcMap 10.8做全局Moran’s I与Getis-Ord Gi*热点分析，锁定DS高-高聚集省域。
关键技术方法：CHARLS全国横断面队列、CESD-10量表、二分类Logistic回归、贝叶斯网络结构学习、最大似然估计、空间自相关热点分析。
研究结果依次如下：
样本特征与区域比较
样本男女比例45.4%与54.6%，东部1091例、中部1200例、西部1291例；西部DS患病率高达38.1%，中部36.5%，东部仅25.4%，χ2=38.312，P<0.001。
空间分布
省域DS率18.18%—82.22%，青海、北京、重庆、安徽、广西位列前五；Moran’s I显示西部四川、中部湖北与河南呈显著高-高聚集，东部江苏、上海为低-低“冷点”。
影响因素
Logistic模型表明，女性、离婚或丧偶、自评健康差、高身体疼痛、患慢病、居住在中西部、夜间睡眠<6 h、BADL>6分、IADL>6分均显著升高DS风险；教育水平高则风险下降。
贝叶斯网络
网络AUC=0.752，直接指向DS的父节点为：性别、身体疼痛、自评健康、IADL、夜间睡眠时长、区域；年龄、教育、慢病、婚姻、BADL通过间接路径影响DS。先验概率显示DS总体发生概率46.6%，若叠加“重度身体疼痛”，概率跃至71.3%；若再叠加“自评健康差”，升至75.7%；若IADL亦差，概率高达81.1%，且该组合在中、西部分别为83.6%、82.6%，显著高于东部的76.7%。
结论与讨论指出，中国中老年抑郁症状总体负担高，区域差异与卫生资源、经济发展水平错位密切相关；BNs首次把“身体疼痛—自评健康—IADL”锁定为可直接干预的三角靶点，意味着基层医护通过疼痛管理、功能训练与主观健康促进，即可在网络路径上阻断DS发生。研究同时提醒，中西部地区需优先补强初级心理保健与远程智能监测，以缓解“东部资源过剩、西部情绪过剩”的失衡格局。该文为《Journal of Health, Population and Nutrition》2025年第44卷亮点论文，为后疫情时代精准心理健康治理提供了可复制的模型与数据蓝图。
