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

Technische Samenvatting: Ontwikkeling van een AI-gebaseerd model voor depressiescreening met behulp van routinedata bij ouderen die alleen wonen

Probleemstelling
Ouderen die alleen wonen lopen een verhoogd risico op depressie door sociale isolatie, fysieke achteruitgang en economische tegenspoed. Deze populatie blijft echter grotendeels ongediagnosticeerd vanwege beperkt symptoombewustzijn, maatschatal stigma en ontoereikende verwijzingssystemen. In Zuid-Korea zoekt slechts 65% van de patiënten met een depressie zelfstandig hulp bij de geestelijke gezondheidszorg. Bovendien maskeren somatische symptomen vaak onderliggende depressie, wat leidt tot foutieve toeschrijving aan lichamelijke ziekten. Hoewel digitale fenotypering met wearables veelbelovend is, is dit afhankelijk van niet-routinematige biometrische signalen en ontbreekt de integratie met standaard klinische workflows. Daarom is er een kritieke behoefte aan een screeningsmechanisme dat gebruikmaakt van data die reeds worden verzameld tijdens routinematige algemene gezondheidscontroles, om huisartsen in staat te stellen risicogroepen proactief te identificeren zonder dat daarvoor een onmiddellijke psychiatrische evaluatie vereist is.

Methodologie
Deze studie maakte gebruik van een transversaal retrospectief ontwerp met de Living Alone Older Adults (LAOA) dataset ($n=1.087$), verzameld vanuit het Intensive Managed Care for Elderly Living Alone (IMCELA) programma in Cheonan, Zuid-Korea. De dataset omvatte deelnemers van 65 jaar en ouder die alleen woonden en beperkte zorgondersteuning hadden.

• Doelvariabele: De depressiestatus werd gedefinieerd met behulp van de korte versie van de Geriatric Depression Scale (SGDS), waarbij een score >10 duidde op een hoog risico.
• Feature Engineering: De studie ontwikkelde het DEPACS (Depression Prediction based on Anthropometric and Clinical Signs) framework, dat 40 kenmerken bevat over zeven domeinen:
  1. Sociaaleconomische status (geslacht, leeftijd, NHI-status, opleiding, burgerlijke staat).
  2. Vitale functies (hartslag, ademhalingsfrequentie).
  3. Antropometrische maten (hoofd-, nek- en middelomtrek).
  4. Fysieke functie (gehoor, zicht, reuk, smaak, loop- en balansprestaties).
  5. Gezondheidsgedrag (maaltijdfrequentie, duur van lichaamsbeweging, alcoholconsumptie, blootstelling aan rook).
  6. Chronische ziekten (12 specifieke aandoeningen en de Cumulative Illness Rating Scale).
  7. Slaapkwaliteit (zeven subcomponenten van de Pittsburgh Sleep Quality Index).
• Modelontwikkeling: De dataset werd 80:20 gesplitst in trainings- en testsets. Vijf machine learning-algoritmen werden geëvalueerd: Support Vector Machine (SVM), Random Forest (RF), Gradient Boosting, XGBoost en K-Nearest Neighbors (KNN). Hyperparameteroptimalisatie werd uitgevoerd via grid search met 5-voudige kruisvalidatie.
• Benchmarking: Een controermodel dat uitsluitend PHQ-9 items gebruikte, werd ontwikkeld om een prestatieplafond vast te stellen.
• Evaluatiemetrieken: Modellen werden beoordeeld op basis van sensitiviteit, specificiteit, nauwkeurigheid, F1-score, Brier-score, Positieve Voorspellende Waarde (PPV), Area Under the Precision-Recall Curve (AUPRC) en Area Under the Receiver Operating Characteristic Curve (AUROC).
• Interpreteerbaarheid: SHapley Additive exPlanations (SHAP) analyse werd toegepast op de best presterende modellen om de bijdrage van kenmerken te identificeren. Een simulatie van kenmerkverwijdering werd uitgevoerd om de impact van de belangrijkste voorspellers op de modelprestaties te beoordelen.

Belangrijkste Resultaten

• Benchmark Prestaties: Het uitsluitend op PHQ-9 gebaseerde model vertoonde uitstekende prestaties, waarbij de meeste algoritmen AUROC- en AUPRC-scores behaalden die hoger waren dan 0,96 (SVM, Gradient Boosting en XGBoost bereikten een AUROC van 0,99).
• DEPACS Model Prestaties: Het DEPACS-model, dat uitsluitend gebruikmaakt van routinematige gezondheidscontrolegegevens, behaalde een redelijke tot acceptabele voorspellende prestatie. Het SVM-algoritme leverde de beste resultaten op met een AUROC van 0,74 en een AUPRC van 0,73. Andere algoritmen (Random Forest, Gradient Boosting, XGBoost) behaalden AUROC-scores tussen 0,71 en 0,73.
• Kenmerkbelang (SHAP Analyse):
  • In het PHQ-9 model waren "sombere stemming" en "verlies van interesse" de dominante voorspellers.
  • In het DEPACS-model was de voorspellende kracht verdeeld over meerdere domeinen in plaats van geconcentreerd in één enkel kenmerk. Belangrijke voorspellers waren onder meer slaapkwaliteitsindices (subjectieve kwaliteit, latentie, verstoringen), middel- en hoofdomtrek, balansfunctie, hartslag en maaltijdfrequentie.
  • Beschrijvende analyse bevestigde dat de depressiegroep een slechtere slaap, lagere maaltijdfrequentie, verminderde balans, hogere hartslag en een hogere incidentie van sensorische dysfunctie vertoonde vergeleken met de niet-depressieve groep.
• Simulatie van Kenmerkverwijdering: Het verwijderen van de hoogst gerangschikte SHAP-kenmerken zoals maaltijdfrequentie, dagelijkse disfunctie en balansscores verlaagde de AUROC aanzienlijk, wat hun nut bevestigt. Daarentegen verbeterde het verwijderen van de hoofdomtrek de AUROC licht, wat suggereert dat dit een ruiskenmerk kan zijn ondanks de hoge SHAP-ranking.

Betekenis en Claims
Het artikel claimt dat het DEPACS-framework een praktisch, interpreteerbaar hulpmiddel biedt voor eerstelijnszorginstellingen om het depressierisico bij ouderen die alleen wonen te identificeren zonder afhankelijk te zijn van specifieke mentale gezondheidsbeoordelingen.

• Haalbaarheid: De studie toont aan dat betekenisvolle voorspelling haalbaar is met enkel standaard klinische gegevens (vitale functies, antropometrie, fysieke functie en slaapmetingen), waardoor het stigma en de barrières die gepaard gaan met directe psychiatrische screening worden omzeild.
• Klinische Bruikbaarheid: Het model is gepositioneerd niet als vervanging voor een klinische diagnose, maar als een aanvullend beslissingshulpmiddel. Het stelt huisartsen in staat om proactief mentale gezondheidsevaluaties aan te bevelen aan hoogrisicopersonen die deze anders zouden vermijden.
• Interpreteerbaarheid: Het gebruik van SHAP-analyse valideert dat de voorspellingen van het model overeenkomen met de gevestigde medische literatuur (bijv. de link tussen slaapverstoringen, achteruitgang van de fysieke functie en depressie), wat een transparant kader biedt voor klinische adoptie.
• Beperkingen: De auteurs erkennen beperkingen met betrekking tot het enkelvoudige centrum-karakter van de dataset (Cheonan, Zuid-Korea), wat de generaliseerbaarheid kan beïnvloeden. Ze merken ook op dat hoewel het model goed presteert, de AUROC (0,74) lager is dan die van gespecialiseerde psychiatrische instrumenten, wat de rol als screeningsinstrument in plaats van diagnostisch instrument bevestigt.

Conclusie
Dit onderzoek valideert het potentieel van het integreren van machine learning met routinematige gezondheidscontrolegegevens om de behandelkloof voor depressie bij kwetsbare oudere populaties te overbruggen. Door gebruik te maken van bestaande klinische workflows, biedt het DEPACS-model een pad naar vroege detectie en verwijzing, waarmee het cruciale probleem van onderdiagnose bij sociaal geïsoleerde ouderen wordt aangepakt.