摘要目的 通过LASSO回归进行变量初筛,根据初筛结果进行多因素Logistic回归分析以及采用最大最小爬山法(max-min hill-climbing,MMHC)构建贝叶斯网络模型,探讨新生儿坏死性小肠结肠炎(necrotizing enterocolitis,NEC)的相关因素及各因素间复杂的网络关系,并通过比较2种模型以寻找最优的建模工具.方法 以2020年1月～2023年12月在山西省儿童医院(山西省妇幼保健院)新生儿内科、新生儿外科、NICU住院的所有NEC患儿为研究对象,回顾性收集NEC调查数据并利用LASSO回归进行变量初筛,根据初筛结果进行多因素Logistic回归分析以及采用MMHC混合算法进行结构学习和极大似然估计法进行参数学习,构建NEC贝叶斯网络模型.结果 经过变量初筛后,早产、低体重出生儿、喂养方式、宫内窘迫及出生后窒息史、贫血、无创呼吸机、益生菌、妊娠期糖尿病、C反应蛋白(C-reactive protein,CRP)和降钙素原(procalcitonin,PCT)10个因素纳入构建模型.贝叶斯网络模型结果显示,建模组和验证组的受试者工作特征(receiver operating characteristic,ROC)曲线下面积分别为0.825和0.817,准确率分别为89.78％和90.43％;多因素Logistic回归分析结果显示,建模组和验证组的ROC曲线下面积分别为0.777和0.741,准确率分别为70.01％和69.44％;贝叶斯网络模型性能优于多因素Logistic回归分析.并且贝叶斯网络模型显示,低体重出生儿、喂养方式、益生菌和PCT与NEC直接相关,早产及无创呼吸机通过低体重出生与NEC间接相关,CRP通过PCT与NEC间接相关.结论 通过比较2种模型,发现贝叶斯网络模型是一种深入研究NEC与相关因素及各因素间网络关系的有效工具.通过这个模型,能够精确地评估NEC与各因素的关联强度,为NEC防治提供科学依据.