一种基于贝叶斯网络的方法,用于识别感染性内心炎患者的风险因素和预测缺血性中风

科学领域:

• 心脏病学 心脏病学
• 传染性疾病 传染性疾病
• 医疗信息学 医疗信息学

背景情况:

• 传染性内心炎 (IE) 构成缺血性中风 (IS) 的重大风险.
• 在IE患者中准确预测IS对于及时干预至关重要.
• 现有的预测模型可能无法完全捕捉到所涉及的复杂关系.

研究的目的:

• 为了确定IE患者IS的风险因素.
• 使用贝叶斯网络 (BN) 方法开发和验证IS的预测模型.
• 将BN模型的性能与传统的物流回归进行比较.

主要方法:

• 在三个医院 (2018-2022) 进行了542名成年患者电子病历的回顾性分析.
• 在训练集 (70%的数据) 上使用 Tabu 搜索算法开发 BN 模型.
• 将BN模型与测试集 (30%的数据) 进行验证,并使用AUC,校准和决策曲线与逻辑回归进行比较.

主要成果:

• 在IE患者中发现IS的主要危险因素包括高脂血症,高血压,晚年,大植被大小 (>10mm),*S. aureus*感染和早期假肢.
• 在训练和测试数据集中,BN模型表现出优于后勤回归的性能,在训练和测试数据集中实现了更高的准确性 (76.06%与74.1%) 和AUC (0.744与0.703).
• 在识别没有IS的患者时,BN模型表现出高特异性 (96.27%).

结论:

• 贝叶斯网络模型比逻辑回归更有效,更准确地预测IE患者的IS.
• 开发的BN模型显示,在这种高风险人群中,IS的早期诊断和预防具有前途.
• 进一步实施BN模型可以加强IE管理的临床决策.