基于贝叶斯网络的缺血性脑卒中筛查模型构建

摘要

目的 依托大规模电子健康记录，结合贝叶斯网络不确定性推理的优势，构建缺血性脑卒中筛查模型。方法 筛查模型开发队列来自于齐鲁全生命周期电子研究型数据库(Cheeloo Lifespan Electronic Health Research Data-library, Cheeloo LEAD),按照7∶3比例分为训练集与测试集；外部验证队列来自国家健康医疗大数据研究院博兴合作中心数据库(博兴数据库)。采用单因素Logistic回归分析筛选与缺血性脑卒中发病显著相关的筛查因子，随后采用贝叶斯网络模型对筛查因子建模，利用禁忌搜索算法进行结构学习，利用贝叶斯估计算法进行参数学习，最终得到缺血性脑卒中筛查模型。从判别能力、校准能力两方面评价模型性能，并比较其与传统Logistic回归模型在缺血性脑卒中筛查中的表现。结果 开发队列共1 067 609例，31 019例患缺血性脑卒中；外部验证队列共386 773例，13 393例患缺血性脑卒中。经过单因素筛选得到67个筛查因子，最终构建的贝叶斯网络模型包括68个节点，440条有向边，其中缺血性脑卒中节点的父节点包括年龄、高血压病、缺血性心脏病、慢性下呼吸道疾病、其他脑血管病、发作性和阵发性疾患，累及认知、知觉、情绪状态和行为的症状和体征，训练集、测试集和外部验证队列的AUC分别为0.840(95%CI:0.838～0.843)、0.839(95%CI:0.836～0.843)和0.811(95%CI:0.808～0.814),模型的判别能力良好，并且校准能力仍旧表现较好。本研究构建的筛查模型在缺失数据下的表现仍优于传统的Logistic回归模型。结论 基于贝叶斯网络不确定性推理的优势，本研究成功构建了缺血性脑卒中筛查模型；模型具有较好的判别、校准能力，为早期缺血性脑卒中筛查提供了便捷、高效的方法。

关键词

电子健康记录 / 贝叶斯网络 / Logistic回归 / 缺血性脑卒中 / 筛查模型