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 1067609 例,31019 例患缺血性脑卒中;外部验证队列共 386773 例,13393 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.