妊娠期糖尿病因果洞察：基于贝叶斯网络与模型平均策略的临床决策支持研究

本综述整合临床数据与人工智能（GPT-4），通过20种结构学习算法构建因果贝叶斯网络（CBN），揭示妊娠期糖尿病（GDM）中母婴结局的关键因果路径。研究量化了出生体重、饮食干预等可调控因素对新生儿重症监护室（NICU）入住率和母婴创伤的影响，为个性化干预和临床决策提供数据驱动的理论依据。

　　

研究背景与意义

妊娠期糖尿病（GDM）作为妊娠期最常见的代谢并发症，与母婴不良结局及长期代谢风险密切相关。近年来，其全球标准化患病率已达14.0%，但不同人群间差异显著，主要源于筛查标准和诊断策略的不同。尽管现有干预手段如饮食调整、运动计划和药物（如二甲双胍和肌醇）可显著降低GDM发生率，但其效果存在群体异质性，亟需更精准的因果推断方法以优化干预策略。

材料与方法

研究基于爱尔兰科克大学妇产医院（CUMH）1808例GDM患者的临床数据，覆盖2014–2016年及2020年时段。变量选择由临床专家参与，涵盖人口统计学、临床指标、代谢参数及母婴结局等多维度字段。数据预处理中，连续变量依临床阈值或分位数离散化，缺失值以“99”标记保留，避免插补偏倚。

研究采用双路径建模策略：首先基于GPT-4生成初始因果图，再通过文献回顾和临床专家评审修正，构建知识驱动图；其次，应用20种结构学习算法（如LiNGAM、GIES、MMHC等）从数据中推断因果贝叶斯网络（CBN），并通过模型平均整合多算法结果，以提升结构的稳健性与可解释性。模型平均使用Bayesys工具，以至少4次出现为边缘纳入阈值，最终生成含75条边、62节点的共识网络。

结果发现

模型平均图显示，出生体重是NICU入住的最强预测因子：极低出生体重（VLBW）婴儿的NICU入住率高达100%，低出生体重（LBW）为45%，巨大儿（macrosomic）为24%。此外，饮食干预可降低3%的产后空腹高血糖风险，而需药物干预者风险增加6%。非可调因素中，多胎妊娠史使新生儿创伤风险升至67%；既往GDM史推动诊断时间提前（第一 trimester诊断增加23%）；高 parity（尤其 grandparity）显著提升GDM复发风险（+18%）。

敏感性分析突显出生体重、分娩孕周和分娩方式对NICU入住与母婴创伤的显著影响。其中，出生体重在知识图和模型平均图中均呈高敏感性（红色深染），印证其作为核心临床指标的可靠性。

讨论与结论

本研究通过融合多算法因果发现与临床先验知识，构建了稳定可解释的GDM因果模型。尽管部分关系（如吸烟与每日支数）获高度算法共识，多数边缘存在显著异质性，反映小样本高维数据中因果推断的挑战。模型平均有效缓解了单算法偏差，提升临床可转化性。

临床专家反馈，量化因果路径（如饮食干预对血糖控制的影响、bariatric手术与体重增长的关联）增强了其对个性化干预的信心，支持资源优化与患者教育。未来需扩大样本、纳入生活方式变量（如饮食与运动），并进行外部验证以推动临床部署。

综上，因果贝叶斯网络为GDM管理提供了机理洞察与干预模拟平台，有望深化精准母婴保健实践。