临床环境中时序与动态贝叶斯网络在预后与诊断应用的前沿综述

本刊推荐：为解决静态贝叶斯网络难以捕捉临床变量时序演变关系的问题，研究人员开展了关于时序与动态贝叶斯网络（TBNs/DBNs）在临床环境中应用的综述研究。通过对47项研究的分析，结果表明DBNs在预后应用（74.5%）中占主导地位，尤其在肿瘤学、重症监护和心脏病学领域展现出强大潜力。这项发表于《Computers in Biology and Medicine》的研究为开发动态临床决策支持系统提供了重要方法论基础。

　　

在临床医学实践中，准确预测疾病进展和及时诊断病情变化一直是医疗决策的核心挑战。传统的静态贝叶斯网络（BNs）虽然能够处理不确定性推理，但其固有限制在于无法有效捕捉临床变量随时间演变的动态关系。这种局限性在需要追踪疾病轨迹的慢性病管理和重症监护场景中尤为突出，可能导致临床决策滞后或不够精准。随着电子健康记录（EHR）的普及和时序数据采集技术的进步，开发能够建模时间依赖关系的智能系统成为医疗人工智能领域的重要方向。

在此背景下，Jo?o Miguel Alves等研究人员在《Computers in Biology and Medicine》上发表了关于时序和动态贝叶斯网络在临床环境中应用的系统综述。该研究旨在全面评估TBNs和DBNs在医疗领域的应用现状，识别研究空白，并为未来研究方向提供指导。研究团队通过系统性的文献检索和分析，揭示了这些先进建模技术在改善临床预后和诊断方面的巨大潜力。

研究人员采用PRISMA指南框架，对PubMed、Web of Science等五个数据库进行了全面检索，时间跨度从2000年至2023年。通过严格的筛选流程，从最初的10631篇文献中最终纳入47项符合标准的研究。研究团队使用PROBAST工具评估偏倚风险，并提取了研究特征、应用领域和方法学细节等关键信息。

^3.1.研究特征

分析显示，纳入的研究中预后应用占主导地位（74.5%，35项），而诊断应用仅占25.5%（12项）。这种分布反映了DBNs在建模疾病进展方面的天然优势。研究覆盖了12个医学专科，其中肿瘤学（10项）、重症监护（9项）和心脏病学（7项）是最常见的应用领域。样本规模差异较大，从10例到608503例不等，中位数为796例。值得注意的是，72.3%的研究使用标准动态贝叶斯网络（DBN），其余27.7%采用了各种改进版本。

^3.2.偏倚风险评估

使用PROBAST工具的评估结果显示，预后研究中42.9%具有低偏倚风险，而诊断研究中这一比例较低。在适用性方面，预后研究的表现也优于诊断研究，57.1%的预后研究具有低适用性担忧，而诊断研究中仅有8.3%。这一发现提示DBNs在预后应用中的方法学成熟度更高。

研究的讨论部分深入分析了时序贝叶斯网络在临床决策支持系统中的转化潜力。在重症监护环境中，DBNs能够实现实时院内感染监测和动态风险分层，如Ltifi等人开发的系统可自动调整监测强度。在慢性病管理方面，对肌萎缩侧索硬化（ALS）的疾病进展建模展示了个性化护理计划的可行性。肿瘤学领域的应用表明，DBNs能够整合患者历史数据，实现动态风险评估和个体化随访方案优化。

该综述还识别了当前研究的局限性，包括语言偏倚（仅纳入英文文献）和临床异质性导致的比较困难。不同研究在医疗条件、人群特征和方法学上的差异限制了直接比较的可能性。未来研究需要建立标准化报告规范，以促进不同研究结果之间的可比性。

这项系统综述的重要意义在于首次全面梳理了时序贝叶斯网络在临床环境中的应用图谱，为研究人员和临床工作者提供了方法学参考。研究结果表明，DBNs特别适合于需要建模时间演变过程的预后应用，而在单时间点诊断任务中的优势相对有限。随着医疗人工智能的快速发展，时序贝叶斯网络有望在个性化医疗、实时临床决策支持和慢性病管理等领域发挥越来越重要的作用。该研究为未来开发更加精准、自适应的临床预测模型奠定了坚实基础，推动了人工智能与临床医学的深度融合。