摘要
亮点
• 基于Transformer的筛查确定了关键纵向风险预测因子。
• 整合14,158名ELSA和HRS参与者进行独立外部验证。
• 步行速度和峰值呼气流速排名较高，具有非线性风险模式。
• 下降轨迹与1.74倍更高的共病风险相关联。
• 晚年改善显示出不完全的"追赶"风险模式。
背景
抑郁症和认知障碍在老年人中表现出高发率和协同恶化。然而，现有的预测方法通常依赖于静态评估，可能无法充分捕捉身体活动和身体功能随时间的动态变化。
方法
我们整合了ELSA（n = 4941）和HRS（n = 9217）队列的数据。部署了基于Transformer的架构从29个变量中选择关键特征，随后评估了12种机器学习算法并在HRS中进行外部验证。使用步行速度、峰值呼气流速、握力和剧烈身体活动构建纵向轨迹。此外，还采用了SHAP和CART分析来识别功能下降的关键预测因子。
结果
在选定的20个关键特征中，8个与活动相关。SHAP分析突出了步行速度和峰值呼气流速作为具有非线性阈值的顶级预测因子，超过了人口统计学因素。"逐渐下降"轨迹提高了共病风险（平均RR 1.74）到接近"持续不活跃"组的水平。晚年改善表现出不完全的"追赶效应"，保留了27-98%的额外风险。
结论
身体活动轨迹是抑郁症-认知共病风险的重要动态预测因子。下降轨迹与显著更高的风险相关，而晚年改善在随访期间表现出不完全的"追赶"模式。步行速度和峰值呼气流速作为突出的预测标志物出现，可能支持老年人早期功能风险分层。
引言
在全球人口快速老龄化的背景下，心理健康障碍和神经退行性疾病已成为公共卫生中最关键的挑战之一。世界卫生组织（WHO）预测，到2050年，全球60岁及以上人口将翻倍至21亿；届时，全球每六个人中就有一位是老年人（Reynolds 3rd等，2022年）。伴随着这一人口结构变化的是疾病负担的大幅增加。抑郁症，作为一种普遍的情绪障碍，不再被视为仅仅是短暂的情绪波动，而是被公认为是导致全球老年人残疾和生活质量下降的主要驱动因素（Cai等，2023年）。当前数据显示，全球约有2.8亿人受抑郁症影响，老年人群中的汇总患病率为28.4%（Hu等，2022年）。同时，预期寿命的增加导致了认知障碍（包括轻度认知障碍（MCI）和痴呆症）患病率的急剧上升。目前，全球有超过5500万人患有痴呆症——这一数字预计到2050年将激增至1.39亿。每年约1.3万亿美元的经济成本，使痴呆症正演变成一种"隐形杀手"，逐渐剥夺老年人的功能独立性（Livingston等，2020年）。
值得注意的是，老年人的抑郁症和认知障碍很少孤立存在；相反，它们经常表现为一种高发的共病。流行病学调查显示，在痴呆症患者中，抑郁症状很常见，在轻度、中度和重度痴呆症中的汇总患病率分别为38%、41%和37%（Leung等，2021年）。此外，存在这些症状与随后发展为痴呆症的风险增加两倍相关（Ismail等，2017年）。这种共病不仅仅是两种不同疾病的简单叠加；而是一种具有协同有害效应的病理状态：抑郁症状可能会加速认知衰退，而认知能力的丧失反过来又加剧心理困扰（Guo等，2023年）。这种双重负担在老年人中尤为明显，不仅导致医疗保健支出呈指数级增长，还显著提高了死亡风险（S. Han等，2023年）。因此，关注老年人群，识别这种共病的可改变风险因素，对于实现健康老龄化具有迫切的实际意义。
众所周知，身体活动（PA）是维持大脑健康和心理韧性的"广谱治疗"（Pearce等，2022年；Potter等，2011年）。大量证据表明，规律的身体活动通过促进神经营养因子的释放、减轻全身炎症和改善脑血管功能，降低了抑郁症和认知衰退的风险（Cunningham等，2020年；Lippi等，2020年）。然而，尽管身体活动（PA）的益处广为人知，当前文献中仍存在重要的方法学缺口。虽然纵向队列研究已经检验了PA与抑郁症或认知衰退的关联，但相对较少的研究将重复的身体功能测量建模为动态轨迹，以预测抑郁症-认知共病的综合风险。这一区别很重要，因为具有相似基线PA水平的老年人可能会随着时间的推移遵循非常不同的功能路径，而这些轨迹可能携带不同水平的风险（Cheval等，2021年；Song等，2024年）。此外，传统的基于回归的方法可能不足以捕捉表征纵向功能衰退的非线性关系和复杂交互（Chen等，2025年）。最后，相对较少的研究评估了这种预测模式是否能在不同国家环境的独立队列中推广。
为了弥合上述研究缺口，本研究采用了一种创新的分析策略，利用跨国多队列数据。这种跨国设计有助于通过测试所确定的预测因子和模型性能是否在不同的社会和流行病学环境中保持稳定，来解决先前单一队列研究的外部有效性有限的问题。我们将英国老龄化纵向研究（ELSA）作为发现队列，并将健康与退休研究（HRS）用作独立的外部验证队列，确保研究结果的跨文化稳健性和可推广性。与传统的回归分析不同，本研究结合了基于Transformer的深度学习架构来处理复杂的纵向时间数据，旨在捕捉长期健康轨迹中潜在的非线性依赖关系。本研究的核心目标是超越静态评估的局限性。通过采用动态"轨迹"视角，我们旨在系统地量化身体活动随时间演变（维持、下降或改善）对抑郁症-认知共病风险的具体影响。此外，我们寻求阐明驱动这些轨迹的主要风险路径，从而为精准早期干预策略提供科学基础。
研究设计和人群
本研究采用双队列设计，结合模型开发与独立外部验证以确保研究结果的稳健性。英国老龄化纵向研究（ELSA）（Steptoe等，2013年）作为发现队列，利用第2、4和6波的数据来表征长期健康轨迹。为了评估模型的可推广性，健康与退休研究（HRS）（Sonnega等，2014年）被用作独立的外部验证队列。
人群基线特征
本研究包括来自ELSA（发现集；基线N = 4941）和HRS（验证集；基线N = 9217）队列的参与者。抑郁症-认知共病组占ELSA样本的8.2%，占HRS样本的4.3%。在两个队列中，共病组与健康组相比，基线特征一直不太有利，特别是在社会人口统计状况、身体活动和功能能力方面（补充表2和5）。
讨论
本研究采用双队列设计，整合了来自ELSA和HRS数据库的14,158名参与者的数据。我们首先使用定制的基于Transformer的深度学习架构对29个初始候选变量进行特征选择，确定了老年抑郁症-认知共病的前20个预测因子。
结论
整合了来自ELSA和HRS队列的14,158名参与者的数据，本研究利用基于Transformer的特征选择、机器学习预测和纵向轨迹建模，强调了动态身体活动轨迹与老年人抑郁症-认知共病风险之间的关联。步行速度和峰值呼气流速作为共病风险的突出预测标志物出现，其非线性模式表明早期风险分层可能具有价值。
作者贡献声明
Zhenhao Lin：撰写原始稿件、可视化、软件、调查、正式分析、数据整理、概念化。Young-Je Sim：审阅和编辑稿件、验证、资源、方法论。Xiong Zhang：审阅和编辑稿件、监督、项目管理、资金获取、概念化。
伦理声明
每个数据集的相应机构均获得了伦理批准：HRS（由美国国家老龄化研究所和美国社会保障管理局批准，批准号：NIA U01AG009740），ELSA（由国家研究伦理服务委员会南伯克郡批准）。所有参与者均提供了书面知情同意。本研究遵循赫尔辛基宣言进行。
资金支持
无。
利益冲突声明
作者声明，他们没有已知的可能影响本论文报告工作的竞争性财务利益或个人关系。
致谢
所有作者真诚感谢HRS和ELSA的原始数据收集者、存储者、版权所有者和资助者，以及参与这些项目的参与者提供的回应。
【全文结束】
