贝叶斯网络理论在临床试验数据中的应用:在患有多发性硬化症的患者中,性数值评分尺度的严重性转变

科学领域:

• 临床研究方法论临床研究方法论
• 数据科学和数据分析
• 生物统计学 生物统计学

背景情况:

• 数据数字化为了解变量相互关系提供了机会,但在识别关键临床因素方面存在挑战.
• 因果推断技术对于分析临床试验数据和发现基线特征和结果之间的联系越来越有价值.
• 图形模型,如贝叶斯网络,有效地可视化高维数据中的复杂关系.

研究的目的:

• 将贝叶斯网络理论应用于临床案例研究,用于调查和可视化因果关系.
• 根据变量离散,利用坚持得分来比较基于变量离散的网络模式.
• 估计患者特征,多发性硬化症性严重程度 (NRS) 和相关症状,功能能力和生活质量之间的因果关系.

主要方法:

• 贝叶斯网络理论应用于两项随机的安慰剂对照试验中的数据,这些试验是针对多发性硬化症 (MSS) 成年患者的纳比西摩尔.
• 使用培训和验证集 (分别为106名和155名参与者) 构建了一个因果网络.
• 坚持得分被用来比较基于不同变量离散的网络模式.

主要成果:

• 一个因果网络确定了关键因素:治疗分配,研究结束时的性数值评分表 (NRS),以及心理健康/活力子表 (36项简短形式健康调查).
• 纳比西莫尔在轻度性患者中改善心理健康或活力的概率比为1.63.
• 调解分析显示,性NRS调解了治疗对心理健康 (99.4%) 和活力的影响 (93.7%).

结论:

• 因果网络对于在临床试验数据中识别依赖关系是有效的.
• 这种方法为未来的研究方向提供了宝贵的见解.
• 鼓励使用因果网络等创新方法来分析复杂的临床数据.