首页 > 现代预防医学 > 基于贝叶斯网络的复杂共病影响因素分析及风险推理

基于贝叶斯网络的复杂共病影响因素分析及风险推理

Bayesian network-based analysis of factors influencing complex multimorbidity and risk inference

摘要目的探讨复杂共病与影响因素的相关性,并通过网络推理揭示疾病与因素之间的相互作用,以识别高危人群.方法基于乌鲁木齐市公共卫生监测数据库和电子病历信息库中2016至2022年纵向数据,获取研究对象复杂共病的发生情况及相关变量信息.通过最大最小爬山算法结合先验知识进行贝叶斯网络结构学习,采用贝叶斯估计法进行参数学习,利用有向无环图识别混杂因素,指导回归模型的构建.结果共纳入6 938名研究对象,12.96％(899/6938)在7年内发生了复杂共病.筛选出的6个预测因子用于模型构建,模型包含7个节点和10条有向边.结果显示:年龄、性别、来源以及BMI与复杂共病的发生直接相关,均为复杂共病发生的父节点.基于DAG指导的logistic回归结果显示:慢性病患者年龄每增长一岁,其复杂共病患病风险将增加8.70％[OR=1.087(95％CI:1.077～1.098)];与城市居民相比,农村居民患复杂共病的OR=0.274(95％CI:0.237～0.317);与体重正常人群相比,肥胖人群患复杂共病的OR=1.019(95％CI:1.008～1.504).结论贝叶斯网络能够有效识别复杂共病与影响因素之间的关系及各因素间的相互作用,从而实现对复杂共病发生风险的推理.预防和控制复杂共病,需要关注老龄化、城市环境和肥胖管理.