From Health Checkups to Mental Health Referrals: Developing an AI-Based Depression Screening Model Using Routine Data in Older Adults Living Alone

Sintesi Tecnica: Sviluppo di un modello di screening della depressione basato sull'IA utilizzando dati di routine negli anziani che vivono soli

Problematica
Gli anziani che vivono soli affrontano un rischio elevato di depressione a causa dell'isolamento sociale, del declino fisico e delle difficoltà economiche. Tuttavia, questa popolazione rimane ampiamente non diagnosticata a causa della limitata consapevolezza dei sintomi, dello stigma sociale e di sistemi di referral insufficienti. In Corea del Sud, solo il 65% dei pazienti con depressione cerca autonomamente cure per la salute mentale. Inoltre, i sintomi somatici spesso mascherano la depressione sottostante, portando a un'erronea attribuzione alle malattie fisiche. Sebbene il fenotipaggio digitale tramite dispositivi indossabili sia promettente, esso si basa su segnali biometrici non routinari e manca di integrazione con i flussi di lavoro clinici standard. Di conseguenza, esiste una necessità critica di un meccanismo di screening che utilizzi i dati già raccolti durante i controlli sanitari generali di routine, per consentire ai medici di medicina generale di identificare proattivamente gli individui a rischio senza richiedere una valutazione psichiatrica immediata.

Metodologia
Questo studio ha impiegato un disegno trasversale retrospettivo utilizzando il dataset Living Alone Older Adults (LAOA) ($n=1.087$), raccolto nell'ambito del programma Intensive Managed Care for Elderly Living Alone (IMCELA) a Cheonan, Corea del Sud. Il dataset includeva partecipanti di età pari o superiore a 65 anni che vivevano soli e disponevano di un supporto assistenziale limitato.

• Variabile Target: Lo stato di depressione è stato definito utilizzando la versione breve della Geriatric Depression Scale (SGDS), dove un punteggio >10 indicava un alto rischio.
• Ingegneria delle Caratteristiche (Feature Engineering): Lo studio ha sviluppato il framework DEPACS (Depression Prediction based on Anthropometric and Clinical Signs), incorporando 40 caratteristiche suddivise in sette domini:
  1. Stato socioeconomico (genere, età, stato NHI, istruzione, stato civile).
  2. Parametri vitali (frequenza cardiaca, frequenza respiratoria).
  3. Misure antropometriche (circonferenza di testa, collo e vita).
  4. Funzione fisica (udito, vista, olfatto, gusto, deambulazione e prestazioni di equilibrio).
  5. Comportamenti sanitari (frequenza dei pasti, durata dell'esercizio fisico, consumo di alcol, esposizione al fumo).
  6. Malattie croniche (12 condizioni specifiche e la Cumulative Illness Rating Scale).
  7. Qualità del sonno (sette sottocomponenti del Pittsburgh Sleep Quality Index).
• Sviluppo del Modello: Il dataset è stato suddiviso in 80:20 tra set di addestramento e di test. Sono stati valutati cinque algoritmi di machine learning: Support Vector Machine (SVM), Random Forest (RF), Gradient Boosting, XGBoost e K-Nearest Neighbors (KNN). L'ottimizzazione degli iperparametri è stata eseguita tramite grid search con validazione incrociata a 5 fold.
• Benchmarking: Un modello di controllo utilizzando esclusivamente gli item del PHQ-9 è stato sviluppato per stabilire un tetto massimo di performance.
• Metriche di Valutazione: I modelli sono stati valutati utilizzando sensibilità, specificità, accuratezza, F1 score, Brier score, Valore Predittivo Positivo (PPV), Area Sotto la Curva Precision-Recall (AUPRC) e Area Sotto la Curva ROC (AUROC).
• Interpretabilità: L'analisi SHapley Additive exPlanations (SHAP) è stata applicata ai modelli con le migliori performance per identificare i contributi delle caratteristiche. È stata inoltre condotta una simulazione di rimozione delle caratteristiche per valutare l'impatto dei principali predittori sulle performance del modello.

Risultati Chiave

• Performance di Benchmark: Il modello esclusivo PHQ-9 ha dimostrato una performance eccellente, con la maggior parte degli algoritmi che raggiungeva punteggi di AUROC e AUPRC superiori a 0,96 (SVM, Gradient Boosting e XGBoost hanno raggiunto 0,99 di AUROC).
• Performance del Modello DEPACS: Il modello DEPACS, utilizzando solo dati di routine dei controlli sanitari, ha ottenuto una performance predittiva da discreta ad accettabile. L'algoritmo SVM ha prodotto i risultati migliori con un AUROC di 0,74 e un AUPRC di 0,73. Altri algoritmi (Random Forest, Gradient Boosting, XGBoost) hanno ottenuto punteggi AUROC compresi tra 0,71 e 0,73.
• Importanza delle Caratteristiche (Analisi SHAP):
  • Nel modello PHQ-9, "umore depresso" e "perdita di interesse" sono stati i predittori dominanti.
  • Nel modello DEPACS, il potere predittivo era distribuito su molteplici domini piuttosto che concentrato in una singola caratteristica. I predittori chiave includevano gli indici di qualità del sonno (qualità soggettiva, latenza, disturbi), la circonferenza di vita e testa, la funzione di equilibrio, la frequenza cardiaca e la frequenza dei pasti.
  • L'analisi descrittiva ha confermato che il gruppo con depressione presentava un sonno peggiore, una minore frequenza dei pasti, un equilibrio compromesso, frequenze cardiache più elevate e tassi più alti di disfunzione sensoriale rispetto al gruppo non depresso.
• Simulazione di Rimozione delle Caratteristiche: La rimozione delle caratteristiche con il ranking SHAP più elevato, come la frequenza dei pasti, la disfunzione diurna e i punteggi di equilibrio, ha ridotto significativamente l'AUROC, confermandone l'utilità. Al contrario, la rimozione della circonferenza della testa ha leggermente migliorato l'AUROC, suggerendo che possa agire come una caratteristica di rumore nonostante il suo alto ranking SHAP.

Significatività e Rivendicazioni
Il paper sostiene che il framework DEPACS offra uno strumento pratico ed esplicabile per i contesti di assistenza primaria per identificare il rischio di depressione negli anziani che vivono soli, senza dipendere da valutazioni specifiche per la salute mentale.

• Fattibilità: Lo studio dimostra che una predizione significativa è fattibile utilizzando solo dati clinici standard (segni vitali, antropometria, funzione fisica e metriche del sonno), superando lo stigma e le barriere associati allo screening psichiatrico diretto.
• Utilità Clinica: Il modello non è posizionato come un sostituto della diagnosi clinica, ma come un ausilio decisionale supplementare. Consente ai medici di medicina generale di raccomandare proattivamente valutazioni della salute mentale a individui ad alto rischio che altrimenti le eviterebbero.
• Esplicabilità: L'uso dell'analisi SHAP valida che le predizioni del modello si allineano con la letteratura medica consolidata (ad esempio, il legame tra disturbi del sonno, declino della funzione fisica e depressione), fornendo un quadro trasparente per l'adozione clinica.
• Limitazioni: Gli autori riconoscono i limiti relativi alla natura monocentrica del dataset (Cheonan, Corea del Sud), che può influenzare la generalizzabilità. Notano inoltre che, sebbene il modello funzioni bene, il suo AUROC (0,74) è inferiore agli strumenti psichiatrici specializzati, rafforzando il suo ruolo di strumento di screening piuttosto che diagnostico.

Conclusione
Questa ricerca valida il potenziale dell'integrazione del machine learning con i dati dei controlli sanitari di routine per colmare il divario di trattamento per la depressione nelle popolazioni anziane vulnerabili. Sfruttando gli esistenti flussi di lavoro clinici, il modello DEPACS offre una via per l'individuazione precoce e l'invio ai servizi specialistici, affrontando il problema critico della sotto-diagnosi negli anziani socialmente isolati.