一个贝叶斯网络模型用于神经认知障碍的数字查在中国人口:开发和验证研究研究

科学领域:

• 医疗信息学 医疗信息学
• 公共卫生 公共卫生
• 机器学习 机器学习

背景情况:

• 神经认知障碍 (NCD) 构成了全球重大健康挑战,需要有效的查方法.
• 早期发现非传染性疾病可以改善患者的生活质量,并降低医疗保健支出.
• 目前的选方法需要针对大规模应用进行优化.

研究的目的:

• 开发和验证一个具有成本效益和方便的分类模型来查非传染性疾病.
• 利用电子健康记录来构建一个强大的NCD查工具.
• 提高NCD查在初级卫生保健机构的效率.

主要方法:

• 使用电子健康记录数据 (2015-2017年) 构建了贝叶斯网络分类模型.
• 通过单变量逻辑回归和贝叶斯信息标准优化来选择变量.
• 用ROC曲线,校准曲线和决策曲线分析评估模型性能,并与后勤回归进行基准分析.

主要成果:

• 贝叶斯网络模型表现出强大的预测歧视,AUC在数据集中从0.800到0.849不等.
• 该模型显示了良好的校准和临床适用性,在缺失数据的灵敏度分析下表现强.
• 纳入了31个人口和临床变量,其中8个直接与NCD预测有关.

结论:

• 开发的贝叶斯网络模型使用电子健康记录准确地预测初级保健中的NCD风险.
• 该模型适用于在电子健康记录系统中对成年人群进行大规模的非传染性疾病查.
• 该模型对缺失数据的稳定性支持其对临床决策的潜力.