CTBN-PH模型：整合连续时间贝叶斯网络与Cox比例风险模型用于多病种时序预测的个性化医学研究

　　本文推荐研究人员针对多病种时序预测中个体异质性建模的挑战，创新性地将连续时间贝叶斯网络（CTBN）与Cox比例风险模型（Cox-PH）相结合，开发了CTBN-PH混合模型。该模型通过整合患者协变量数据，实现了对慢性疾病发展轨迹的个性化动态预测，在糖尿病（E11）、高血压（I10）、慢性肾病（N18）等8种疾病的预测任务中展现出优越性能，为临床决策支持系统提供了新的方法论框架。

　　

在当代临床实践中，慢性疾病的多病共存（multimorbidity）现象日益普遍，患者往往同时患有多种相互关联的慢性疾病，如糖尿病、高血压和慢性肾病等。这些疾病之间的复杂因果关系和时序发展模式给临床预测和干预带来了巨大挑战。传统的统计方法难以有效捕捉疾病间的动态相互作用，而现有的机器学习模型又往往忽略了个体特征对疾病发展轨迹的影响。

为了应对这些挑战，研究人员在《Computers in Biology and Medicine》上发表了一项创新性研究，开发了一种将连续时间贝叶斯网络（CTBN）与Cox比例风险模型（Cox-PH）相结合的混合方法——CTBN-PH模型。这项研究基于加泰罗尼亚健康研究所提供的214万余名患者电子健康记录数据，涵盖了8种主要慢性疾病（E11、E21、E78、E79、I10、I45、N18、R73）的诊断轨迹信息。

研究采用了多阶段分析方法：首先利用CauRuler算法从数据中提取疾病间的因果关联规则，构建网络拓扑结构；然后基于患者轨迹数据学习CTBN的条件强度矩阵；最后通过Cox-PH模型将患者协变量（包括人口统计学特征、临床指标等36个变量）整合到模型中，实现个性化预测。

研究结果部分展示了CTBN-PH模型在多方面的优异表现：

在时序风险评估方面，CTBN-PH模型相比传统CTBN在预测准确率上显著提升，特别是在糖尿病（E11）和高血压（I10）的预测任务中，时间加权准确率提高了15.3%。模型能够准确捕捉疾病状态转换的关键时间点，平均预测时间跨度达到26.64年。

在未来状态预测实验中，研究人员将患者轨迹分为训练段（前80%）和测试段（后20%）。CTBN-PH模型在4.26年的预测期内成功预测了八种疾病的演变轨迹，其Brier评分比基准模型降低了0.12，证明其在长期预测中的可靠性。

在人群演化模拟方面，研究从零初始状态开始，仅基于患者协变量生成完整的疾病发展轨迹。模拟结果与真实人群的疾病 prevalence 模式高度一致，相关系数达到0.89，表明模型能够有效捕捉人群层面的疾病发展规律。

特别值得注意的是，研究还发现了多个显著的协变量效应。例如，年龄（age）对糖尿病到慢性肾病的转换风险具有显著影响（HR=1.32，p<0.001），而性别（gender）在高血压发展过程中表现出明显的差异（女性HR=0.87，p=0.012）。这些发现为个性化风险评估提供了重要依据。

研究的讨论部分强调了CTBN-PH模型的方法学创新和临床意义。该方法成功解决了传统CTBN无法处理个体异质性的局限，通过Cox-PH模型的整合实现了真正的个性化预测。模型输出的风险评分和时序预测能够为临床医生提供决策支持，帮助识别高风险患者并优化干预时机。

此外，研究的网络拓扑结构基于数据驱动的因果发现，提供了对疾病间复杂关系的深入洞察。例如，研究证实了糖尿病（E11）与慢性肾病（N18）之间的强因果关系，这与临床知识一致，但模型进一步量化了这种关系的强度和时间动态。

研究人员也坦诚讨论了模型的局限性，包括对数据质量的依赖性、计算复杂度较高以及需要预先定义网络结构等。这些为未来研究指明了改进方向，如开发更高效的学习算法和探索自动结构学习方法。

总之，CTBN-PH模型代表了多病种预测领域的重要进展，为个性化医学和精准健康管理提供了有力的方法论支持。通过整合时序建模和风险分析，该研究为理解慢性疾病的复杂发展轨迹和制定个性化干预策略开辟了新途径。