本研究于2024年8月2日发表在《eClinicalMedicine》期刊上。研究的主要作者是Rui Yan、Jie Zhao等人，其所属机构包括郑州大学第一附属医院等。研究获得中国国家重点研发计划、国家自然科学基金等多个项目的资助。

本研究属于公共卫生、老年医学与数字健康交叉领域的流行病学研究。随着全球人口老龄化加剧，老年人抑郁症状成为一个日益突出的公共卫生问题。与此同时，互联网的普及与数字化浪潮席卷全球，但老年人群体中的“数字鸿沟”现象尤为显著，即大量老年人因各种原因被排除在互联网使用之外，这种现象被称为互联网排斥（Internet Exclusion）。尽管已有一些研究探讨互联网使用与老年人心理健康的关系，但结论并不一致，且存在诸多局限性。例如，多数研究基于横断面数据，难以推断因果关系；研究多集中于单一国家或高收入国家，缺乏全球视角，特别是对低收入和中等收入国家的关注不足；此外，抑郁是一个复杂的心理状态，包含多种不同维度的症状，而以往研究多将抑郁视为一个整体，未能深入探究互联网排斥与具体抑郁症状（如睡眠障碍、精力不足、兴趣减退等）之间的关联。基于此，本研究旨在填补这些研究空白，其核心目标是：利用来自全球32个国家的五个大规模代表性纵向队列数据，系统探究老年人互联网排斥与抑郁症状之间的关联，并进一步分析这种关联在高低收入国家间的差异，以及互联网排斥与抑郁各具体症状维度之间的联系。

本研究的工作流程严谨且系统，主要包含以下几个核心步骤： 第一步是研究设计与数据来源整合。研究团队从五个国际知名的老龄化纵向队列中提取了2010年至2020年间的数据，包括：美国的健康与退休研究（HRS）、英国的英国老龄化纵向研究（ELSA）、欧洲的健康、老龄化和退休调查（SHARE）、中国的中国健康与养老追踪调查（CHARLS）以及墨西哥的墨西哥健康与老龄化研究（MHAS）。这些队列均收集了60岁及以上老年人的互联网使用和抑郁症状信息。研究首先排除了基线年龄小于60岁、以及互联网使用、抑郁症状和关键协变量数据缺失的参与者。最终，形成了包含五个独立队列的分析样本，总观察值（人-波次）达到近30万次，涵盖了高收入国家与中低收入国家的广泛人群。

第二步是核心变量的定义与测量。研究的暴露变量是互联网排斥，其定义根据各队列的原始问题统一操作化。例如，在HRS中，询问过去7天内是否使用过互联网；在SHARE中，询问过去一个月内是否使用过互联网；在ELSA中，则根据使用频率（如“每周至少一次”）来划分。将回答“否”或使用频率低于每周一次的定义为存在互联网排斥。研究的结局变量是抑郁症状，各队列使用了两种经过验证的量表：流行病学研究中心抑郁量表（CES-D）及其简版，以及欧洲抑郁量表（EURO-D）。研究者根据各队列既定的临床分界值，将量表总分转换为二分类变量（存在/不存在抑郁症状）。此外，研究还深入分析了量表中的每一个具体症状条目。为了控制混杂因素的影响，研究基于因果有向无环图（DAG）的理论，预先确定了一个“最小充分调整集”（MSAS），包括人口学特征（性别、年龄）、社会经济地位（教育程度、劳动力状态、家庭财富水平）、居住安排（婚姻状况、与子女同住情况、居住地）、认知功能障碍以及基本和工具性日常生活活动能力（BADL/IADL）困难等变量。

第三步是统计分析策略。研究采用面板数据分析方法，以处理同一参与者在不同调查波次中重复测量的数据相关性。主要分析工具是在广义估计方程（GEE）框架下拟合的随机效应逻辑回归模型，用以估计互联网排斥与抑郁症状风险之间的比值比（OR）及其95%置信区间（CI）。分析分为几个递进的模型：未调整的粗模型、调整人口学因素的模型、调整MSAS的模型以及调整所有协变量（包括吸烟、饮酒等生活方式因素）的完全调整模型。这是本研究的核心分析方法，能够更稳健地估计纵向关联。除了主效应分析，研究还进行了大量的补充分析：1）针对每个队列，分析互联网排斥与每一个具体抑郁症状条目之间的关联；2）进行亚组分析，探究关联在不同人群（如按年龄、工作状态、财富水平分组）中是否存在差异；3）进行了一系列敏感性分析以验证结果的稳健性，包括：仅纳入基线无抑郁症状的参与者进行分析（减少反向因果影响）、排除基线有严重认知障碍的参与者、排除新冠疫情期间收集的数据以及进行横断面分析作为比较。

本研究得到了系统而丰富的结果。 首先，描述性统计显示了互联网排斥在全球老年人中的普遍性及其差异。在2010-2020年期间，五个队列中互联网排斥的合并比例分别为：HRS 46.0%， ELSA 32.6%， SHARE 54.8%， CHARLS 92.3%， MHAS 65.3%。这表明互联网排斥在中低收入国家（中国和墨西哥）的老年人中尤为严重。抑郁症状的患病率在不同队列和国家间也存在显著差异。 其次，纵向关联分析的核心结果显示，在调整了MSAS（模型3）后，互联网排斥与更高的抑郁症状风险在所有五个队列中均呈现显著正相关：HRS (OR = 1.13, 95% CI 1.07–1.20), ELSA (OR = 1.22, 95% CI 1.11–1.34), SHARE (OR = 1.55, 95% CI 1.47–1.62), CHARLS (OR = 1.49, 95% CI 1.26–1.77), MHAS (OR = 1.48, 95% CI 1.39–1.58)。这意味着，在控制了众多潜在混杂因素后，不使用互联网的老年人出现临床显著抑郁症状的风险比使用互联网的老年人高出13%到55%不等。这一发现是本研究最关键的结论，它证实了互联网排斥与抑郁症状的关联具有跨文化、跨经济发展水平的一致性。在进一步调整所有协变量后，这些关联仍然显著。 第三，亚组分析揭示了关联的异质性。互联网排斥与抑郁症状的显著关联在以下几个亚群体中尤为突出：年龄小于80岁的老年人、目前未工作者、家庭财富水平最低组、教育程度为小学及以下的老年人、以及日常生活活动无障碍的老年人。这一结果提示，针对这些特定高风险群体进行数字化干预可能具有更高的成本效益。 第四，对具体抑郁症状的分析提供了更细致的图景。研究发现，互联网排斥与大多数具体的抑郁症状维度相关。例如，在SHARE（使用EURO-D量表）中，互联网排斥与12个症状中的11个均显著相关，包括悲观、自杀意念、兴趣减退、注意力难以集中等。在HRS、ELSA、CHARLS和MHAS（使用CES-D量表）中，互联网排斥与“做任何事都很费劲”（“Everything was an effort”）这一症状的关联在多个队列中 consistently 显著。这表明互联网排斥不仅影响整体情绪，还可能特别削弱老年人的动力、精力和执行功能。 第五，敏感性分析强有力地支持了主结果的稳健性。即使在排除了基线已有抑郁症状的参与者（模拟前瞻性设计）、排除有严重认知障碍者、或排除新冠疫情时期数据后，互联网排斥与抑郁症状之间的显著关联依然存在。横断面分析的结果也大体上与纵向分析一致。

基于以上结果，本研究得出明确结论：在全球范围内，老年人的互联网排斥与抑郁症状风险增加显著相关。这种关联在高收入国家和中低收入国家均普遍存在，且与抑郁的多个具体症状维度有关。研究的科学价值在于：首次利用大规模国际纵向数据，为“数字鸿沟”影响老年人心理健康提供了高级别的流行病学证据，将相关研究从横断面关联推向了更接近因果推断的纵向关联分析。其应用价值十分重大：研究结果强烈提示，促进老年人的数字融入（Digital Inclusion）应成为促进健康老龄化和预防抑郁的重要公共卫生策略。这包括为老年人提供针对性的互联网技能培训、建立支持性的社区网络、改善互联网基础设施的可及性（特别是在资源匮乏地区和群体中）、以及设计对老年人友好的数字界面和环境。通过减少互联网排斥，可以帮助老年人保持社会联系、获取信息资源与服务、参与在线活动，从而可能有效降低其孤独感、社会隔离感和抑郁风险。

本研究的亮点突出体现在以下几个方面：1）研究设计的创新性与严谨性：这是首个在全球范围内，整合多个大型老龄化纵向队列数据，专门研究互联网排斥与老年人抑郁症状关联的面板数据分析。使用GEE模型处理纵向数据，并基于DAG理论选择协变量，方法学上更为先进和严谨。2）研究视角的全面性：不仅关注整体抑郁，还深入剖析了与具体抑郁症状的关联，为理解其心理机制提供了更细致的线索。同时，涵盖了从高收入到中低收入的不同经济背景国家，结论具有广泛的代表性和普适性。3）对公共卫生政策的直接启示：研究结果将老年人互联网排斥从一个社会现象或数字平等问题，明确提升为一个重要的心理健康风险因素，为政府和社会机构制定针对性的数字融入干预措施提供了强有力的实证依据。4）对高风险人群的识别：通过亚组分析，明确了关联更强的人群特征，使得未来的干预措施可以更加精准和高效。

此外，研究在讨论部分还提出了几个有价值的观点和未来研究方向：例如，互联网排斥可能通过限制社会连接、阻碍获取网络医疗服务、减少认知刺激等中介途径影响抑郁；未来研究需要探索互联网使用的其他维度（如设备、频率、目的）与心理健康的关系；需要采用更一致的抑郁评估工具进行跨国比较，并纳入家庭支持、网络素养等更多潜在协变量进行探究。这些都为该领域的后续研究绘制了清晰的路线图。这项研究是一项里程碑式的工作，它通过扎实的数据和严谨的分析，深刻揭示了在数字化时代背景下，保障老年人平等接入和使用互联网对于维护其心理健康具有不可或缺的重要性。