近日,我们关注到一篇发表在《Journal of Affective Disorders》(二区,IF=6.6)的精彩文章。研究者们利用潜在剖面分析方法,利用中国老年健康影响因素跟踪调查数据(CLHLS),深入研究了中国空巢老人中抑郁的潜在模式,并揭示了与不同抑郁模型相关的关键因素。本文将这项研究成果与大家一同探讨!
空巢期,是指子女离家独立后,父母独自居住的生活阶段。在这个阶段,许多老人可能会感到孤独和无助,从而影响心理健康,导致抑郁情绪的出现。抑郁不仅影响老人的生活质量,还可能加重其他健康问题,因此了解其潜在的心理模式尤为重要。具体来说,抑郁症状可以从多个维度进行评估,如情绪低落、对日常活动的兴趣减少、睡眠问题等。
在流行病学研究中,潜在剖面分析是一种强大的工具,它可以基于一组连续变量将个体分组,揭示在复杂的连续性数据中隐藏的模式和结构。通过LPA,研究者能够识别出哪些空巢老人更可能经历特定类型的抑郁症状,以及这些症状的组合模式。这种细致的剖析对于发展针对不同抑郁模型的干预措施非常有价值。此外,研究还可通过多元logistic回归模型分析与不同抑郁模型相关的多个横断面因素。2024年2月,来自锦州医科大学的护理学者C. Zheng和H. Zhang,在《Journal of Affective Disorders》(二区,IF=6.6)上发表了题为“Latent profile analysis of depression among empty nesters in China”的研究论文。研究结果表明,空巢老人中存在不同的抑郁潜在模型,并且与这些模型相关的因素包括社会人口学特征、生活习惯以及健康状况等。本项研究为我们提供了对空巢期老人心理健康状态更为细致的理解,并指出了心理健康干预的潜在方向,且这一成果对于促进老年人心理健康具有重要意义。原文文献PDF获取方式:本公众号回复关键词“原文”即可免费获取 |
研究目的:该研究旨在探索空巢老人的抑郁特征,并确定老年人群中的异质性亚群。探讨了不同抑郁特征的老年人抑郁的影响因素,以期为改善空巢老人抑郁状况提供参考依据。研究方法:本研究采用中国纵向健康寿命调查(CLHLS)调查数据,以60岁以上的空巢老人为研究对象。潜在剖面分析(LPA)用于拟合空巢老人的潜在抑郁类别;采用χ2检验(卡方)、Kruskal-Wallis和多因素logistic回归法探讨影响老年人不同抑郁特征的因素。研究结果:本研究共纳入4481名受试者,分为低水平(11.6%)、中水平(51.6%)和高水平(36.8%)。与低水平相比,高水平的影响因素为IADL、焦虑、自评健康、运动和教育;中等水平组的影响因素为焦虑、自评健康、饮酒和教育。相对于中层组,影响高水平的因素是IADL、焦虑、居住、自评健康、运动和活动受限。研究局限:CESD-10作为一种筛查工具,无法完全确定高水平空巢老人是否存在抑郁症。研究结论:空巢老人因抑郁症而产生的心理问题严重影响了他们的整体健康,应针对不同类别的老年人制定有针对性的干预策略,以改善抑郁症和提高与健康相关的生活质量。- 最大共同因子解释了29.509%的方差(<40%的临界值)。
共同方法偏差是因为数据来源相同而可能导致的系统性偏差。在这项研究中,为了检验这种偏差研究者采用了Harman单因子法, 将所有的调查项放入一个探索性因子分析(Exploratory Factor Analysis, EFA)中,且不进行因子旋转。此项研究纳入4481名受试者,男女比例约为6:4,分别从低到高抑郁水平进行了抑郁得分的分类。- 男性抑郁评分为 10.32±4.212,女性抑郁评分为 10.83±4.53;
基于CESD-10量表得分进行了潜在剖面分析,通过多种统计指标比较1到5个不同的潜在模型,最终确定三个剖面的模型为最优。此外,研究中的三个剖面的模型具有高度的归属概率,显示了良好的模型可信度。下图展示了空巢老人抑郁水平的三个剖面在各项目得分上的平均值。
通过卡方检验和Kruskal-Wallis H检验发现,包括性别、年龄、自评健康状况、居住地、教育水平、吸烟、饮酒、运动、社交、生活受限、焦虑和IADL在内的多个因素,在不同抑郁潜在分类之间存在统计学上的显著差异;而其他分类因素的差异则没有统计学意义。(见“基线信息”图例中被标出的P值。)通过多元logistic回归分析探究了与空巢老人抑郁剖面相关的因素。- 相对于低抑郁水平,高和中抑郁水平的老人更可能受到日常活动能力减退、焦虑、自评健康状况、锻炼和教育水平的影响。
- 此外,没有受过教育和高焦虑水平的空巢老人更可能产生中等或高水平的抑郁情绪,城市居住和活动限制也与高抑郁水平相关。
潜在剖面分析(Latent Profile Analysis, LPA)属于潜在变量建模的范畴,用于识别观察数据中的隐藏子群体,这些子群体是根据多个指标或响应变量的相似性被划分的。在心理学、社会科学以及医学等领域,当研究者想要基于一组连续性变量(如量表或者测试得分)将个体分组时,LPA是一个非常有用的工具(如果基于的是分类数据,那就是潜在类别分析了,即LCA)。在我们今天分享的文献中,研究者通过CESD-10的量表来评估抑郁症状,并使用LPA来理解空巢老人抑郁症状的不同潜在模型,而这些模型是根据老人报告的不同抑郁症状的强度(得分)定义的。在表3中,研究者评估了不同潜在剖面模型的拟合指标,如AIC、BIC和熵,以及模型的显著性检验结果,如LMR和BLRT。在选择了最佳的潜在剖面模型后,表4进一步展示了每个潜在剖面内个体之间的归属概率,这有助于了解不同抑郁剖面的区分度。LPA提供了一种方式,使护理人员不仅仅是根据单一指标对患者进行评估和干预,而是能够全面考虑患者的多方面情况,比如哪些空巢老人更可能经历特定类型的抑郁症状,以及这些症状的组合模式,从而提供更个性化、更综合的护理服务。随着社会的发展和人口结构的变化,老龄化问题逐渐成为全球面临的挑战之一。老龄化不仅带来了社会保障和医疗资源的压力,也对老年人的心理健康提出了新的要求。特别是在中国,快速的老龄化进程和传统家庭结构的变迁导致了空巢老人数量的显著增加。这一群体经历了子女成长、离家独立的过程,往往会面临着孤独、失落的情绪,这些情绪如果不加以关注和干预,可能发展为抑郁等心理问题。空巢老人抑郁问题的重要性不容忽视,这不仅会减少老年人的生活质量,还可能影响其身体健康,增加认知衰退的风险,甚至可能导致自我伤害的行为。在中国这样一个重视家庭和谐的社会中,空巢老人的心理健康问题尤其值得关注。文章来源:医学论文与统计分析