流感疫苗是目前最有效的干预措施，可防止每年数以百万计的与流感有关的就医[ 1］．尽管接种疫苗的好处远远超过它的风险，但流感疫苗偶尔与不良事件(AEs)有关，与大多数药物一样，流感疫苗引起严重反应的几率非常小[ 1］．Guillain-Barré综合征(GBS)是最常见、最严重的急性麻痹性神经病[ 2]易感人群在感染后和在极少数情况下在免疫接种(包括流感疫苗接种)后出现[ 3.］．据估计，格林-巴氏综合征在一般人群中的发病率为每10万人年0.8至1.9例[ 4］．虽然一些流行病学研究表明，接种流感疫苗后，吉兰-巴氏综合症的风险可能会有很小的增加[ 5， 6]，因果关系仍有争议[ 3.， 7， 8]，超出了本研究的范围。格林巴利综合征的鉴别主要基于临床模式[ 2]，对GBS患者必须进行细致的监测、支持护理和尽早开始特异性治疗[ 9］．因此，确定GBS的关键因素并预测其发生，对于改善GBS患者的预后至关重要。

疫苗不良事件报告系统(VAERS)由疾病控制和预防中心和美国食品和药物管理局管理，是一个全国性的被动监测计划，用于发现美国许可的疫苗可能存在的安全问题[ 10］．VAERS接受1990年至今的疫苗接种后不良事件报告，并收集疫苗接种者的年龄、性别、经历过的不良事件和恢复状况等信息。VAERS的一个主要目标是监测可能表明疫苗潜在安全问题的已知ae的波动[ 10］．GBS就是其中之一，也是本研究的目标AE。以往基于VAERS数据的吉兰-巴氏综合征发病研究报告称，吉兰-巴氏综合征一般发生在流感疫苗接种后2周，晚于大多数其他与流感疫苗相关的ae [ 11， 12］．此外，一些临床特征(如肌肉无力、疼痛和自主神经功能障碍)可用于鉴别GBS [ 13]在VAERS中也被记录为单独的ae。因此，对VAERS进行深度数据挖掘并识别最具信息量的gbs相关AEs是一项重要而有价值的工作。所确定的ae首先有助于形成未来GBS病因学研究的研究假设，然后可以进一步用于开发实现早期预警的风险预测模型。

现有的努力集中在GBS的临床过程和结局的测量和预测，并且已经开发了良好的预后模型[ 14- 17］．然而，据我们所知，除了我们以前的工作外，还没有关于GBS预警模型的出版物[ 18]，利用VAERS中GBS相关ae构建多元逻辑回归模型，预测GBS的风险。然而，传统的线性模型(如多元线性回归模型和逻辑回归模型)在分析多个预测因子时，在处理共线性和复杂的相互作用时可能存在偏差。此外，用一般的机器学习方法(如人工神经网络和支持向量机)很难简洁地呈现或解释特定预测背后的微妙模式。

贝叶斯网络(BN)是一种新兴的概率图模型，用于预测感兴趣结果的风险[ 19］．作为一种成熟的概率分类器，BN模型具有识别常规统计模型经常忽略的变量之间的相互作用的优点，并输出一个直观的条件概率表(CPT)用于决策。此外，马尔可夫毯(MB)理论赋予BN模型识别影响结果的最重要因素的能力。BN模型已被应用于放射治疗中预测ae的风险[ 20.]及血液透析[ 21]并且在使用电子健康记录预测其他疾病风险方面表现良好[ 22- 24］．然而，BN模型能否识别出GBS的最显著因素，并将其整合起来预测GBS还有待研究。

由于许多疫苗接种后不良事件的罕见性，特别是吉兰-巴氏综合征，许多纵向研究或队列研究在识别早期发现的危险因素方面不足。自1990年以来在VAERS中积累的大量数据为此类研究提供了机会:在与流感疫苗相关的VAERS报告中，与三价流感疫苗(FLU3)相关的VAERS报告占了很大一部分。我们调查的目的是通过使用flu3相关的VAERS报告来确定GBS的最重要因素，生成一个新的风险预测模型，并估计GBS发生的概率。本研究是在个体预后或诊断声明的多变量预测模型的透明报告之后报道的[ 25) ( 多媒体附件1)．对于具有某些不良事件的特定疫苗接种者，来自风险预测模型的估计风险可以帮助衡量格林巴利综合征的风险，并允许及时诊断和治疗。我们相信我们的工作是对其他研究的补充，最终可以为临床决策提供有用的见解。

截至2018年底，VAERS数据库已收到40多万份与疫苗相关的AE报告。每个报告都由领域专家在“监管活动医学词典”的首选术语级别上手动注释。我们提取了1990年至2017年间所有与flu3相关的VAERS报告。符合以下标准之一的报告被排除:(1)年龄值缺失或年龄<0.5岁(2)性别状况未知。我们最终纳入79,165份完整报告和2978种独特的AE症状，包括GBS。

伦理批准和参与同意不适用于本研究，因为我们使用的VAERS数据库是公开可用的[ 26］．eudravigance疫苗AE数据由欧洲药品管理局提供。

十亿年 B可以定义为一对[ 27]:

在这里, G= ( V E)是编码BN结构的有向无环图，其中每个节点 X_我 在 V对应于一个域变量(离散或连续)和 E由一组连接节点对的有向弧(或边)组成。就像在系谱图中一样，父节点指向有向弧线的子节点，两个变量之间的弧线表示直接依赖关系。此外，马尔可夫性质表明，任何节点 X节点的MB是有条件独立于任何其他节点的，节点的MB包括它的父节点、子节点和子节点的其他父节点(配偶)。 Θ是一组参数，通过指定条件概率分布来量化图边;在离散情况下，它们记为cpt。联合概率分布 P分解为多个条件概率分布的乘积也表示有向无环图的依赖或独立结构:

在这里, 巴勒斯坦权力机构（ X_我 的父节点 X_我 ．

因此，BN的学习过程可以分为两个步骤:BN结构学习和BN参数学习。为了从数据中确定BN的拓扑结构，已经提出了许多最先进的BN结构学习算法，其中最大似然估计(MLE)和贝叶斯参数估计是两种流行的参数学习方法。此外，结构或参数的先验知识也可以集成到BN的学习过程中。

年龄离散为4组:0.5-17岁、18-49岁、50-64岁和≥65岁。所有AEs都是二进制变量，带有状态 真正的或 假分别表示声发射是否发生或未发生。我们根据AEs在美国数据中的流行程度对所有AEs进行排序，并选择前50名进行进一步分析(我们还对前100名AEs进行了分析，以比较不同的网络)。使用Pearson卡方检验比较GBS组和非GBS组前50名ae的患病率。为了避免由多次比较引起的I型错误的膨胀，一个双面 P值<措施(Bonferroni校正)表示差异有统计学意义。

将GBS作为确定性节点，将所有53个变量(GBS、年龄、性别和ae排名前50位)纳入初始网络的构建。BN学习的流程图如图所示 图1．禁忌搜索是一种更高层次的启发式过程，它保持了基于分数的结构学习算法的优势，并逃脱了局部最优性的陷阱[ 28］．第一步，我们使用禁忌搜索算法获得了一个初始网络结构，设置为弧的黑名单(没有其他变量可以指向年龄或性别)和白名单(年龄和性别都指向GBS) [ 2］．一般情况下，我们应该咨询领域专家，对初始网络中不合逻辑的弧线进行调整，以获得更合理的网络结构。然而，在初始网络中包含了许多变量;因此，我们选择从模型复杂度和马尔可夫性质的角度提取GBS的MB作为最终网络。节点之间的条件依赖关系的强度是通过贝叶斯信息准则得分的增益或损失来衡量的，这将由每个弧的移除引起。第二步，我们进行了100次5-fold交叉验证，使用基于4次折叠(即训练折叠)的MLE学习参数，并根据其父节点值的所有可能组合获得量化节点每个状态的概率的cpt。在离散BN(如本研究中使用的BN)中，MLE学习到的参数在确定父节点值时，近似等于训练数据中某个节点特定值的频率。最后，我们根据训练折叠估计的参数预测剩余折叠(即验证折叠)的GBS概率，并通过最大化受试者工作特征曲线分析中的约登指数计算验证折叠的概率阈值。当状态的概率估计时，验证组中的疫苗被归为GBS组 GBS超过阈值;否则，他们被归为非gbs组。

受试者工作特征曲线下面积(AUC)、敏感性、特异性和预测准确性被用来评估所建立的BN的性能。其中，敏感性是指模型将患者识别为阳性结果的能力，特异性是指模型将非患者识别为阴性结果的能力，AUC是综合了模型敏感性和特异性的综合指标，准确性是指模型正确识别患者和非患者的能力。对内部验证褶皱的结果进行平均得到最终指标，并使用近似正态分布方法计算其95% ci。R(版本4.0.0;R统计计算基础)包，包括 bnlearn， pROC， gmodels, 脱字符号，进行统计分析。

使用欧洲eudravigance数据验证了从美国数据建立的BN的性能。欧洲数据来自2016年的欧洲药品管理局，包括2003年至2016年流感疫苗后的AE报告。我们过滤掉了年龄值缺失或性别状况未知的记录，以及欧盟地区以外报告的记录，最终总共提取了12,495条完整的记录。值得一提的是，欧洲的数据不仅包括FLU3，还包括四价流感疫苗、单价流感疫苗(H1N1流感疫苗)等其他流感疫苗，因为数据获取的限制，以及欧洲FLU3的配方与美国不同。

从欧洲数据中提取了与美国数据相同的一组变量(GBS、年龄、性别和前50名ae)，年龄也离散为4组，如中所述 统计分析部分。在欧洲数据的外部验证过程中，我们应用从所有美国数据中学习到的BN结构及其参数来预测欧洲疫苗接种者发生GBS的概率，并将他们分为两类(GBS和非GBS)，就像我们在内部验证折叠中所做的那样。应用了相同的性能指标。

根据VAERS和eudravigance的数据，美国FLU3疫苗接种后28年内GBS的累积概率为1.26%，所有欧洲流感疫苗接种后14年内GBS的累积概率为1.71% ( 表1)．对于美国人群，GBS组的中位数年龄高于非GBS组(中位数57,IQR 42-68岁vs中位数50,IQR 29-66岁)，这一趋势在欧洲人群中相似且更为明显(中位数60,IQR 49.25-72.00岁vs中位数46,IQR 22.00-64.00岁)。在美国和欧洲的GBS记者中，4个年龄组的比例逐渐增加，男性比女性的发病率略高，这与以往的研究一致[ 2］．

在前50位AEs中，33位(66%)在美国数据中与GBS存在显著相关性，而在欧洲数据中只有9位(18%)与GBS存在显著相关性( 表2)．在与GBS显著相关的ae中，只有15% (5/33;在美国数据中，乏力、疲劳、感觉异常、感觉不良和肌肉无力显示出正相关，而在欧洲数据中，100%(9/9)的显著ae(疼痛、四肢疼痛、乏力、疲劳、感觉异常、感觉不良、震颤、肌肉骨骼疼痛和肌肉无力)显示出正相关，这9个ae包括上述5个ae。至于前50名ae的总患病率，美国和欧洲之间只有12例(24%)无显著差异。

GBS的MB，即最终网络结构( 图2)，包含3个父淋巴结(年龄、性别和红斑)，4个子淋巴结(乏力、感觉不良、肌肉无力和感觉异常)，5个配偶淋巴结(寒战、头晕、肌痛、恶心和四肢疼痛)，是GBS的最显著因素。其中，年龄与GBS共同作用影响感觉异常和感觉减退的发生，也起到配偶节点作用。此外，感觉异常也是与GBS相互作用影响感觉减退和肌无力的配偶节点，感觉减退也是GBS影响肌无力的配偶。由于从父节点到子节点的弧线表示时间顺序，我们可以从MB中了解到年龄、性别和红斑对GBS的发生起作用;随后，GBS与配偶淋巴结相互作用，进一步演变为虚弱、感觉不良、肌肉无力和感觉异常的症状。其余AEs(40/ 50,80%)通过MB中的节点有条件地独立于GBS，并被修剪以保留更紧凑的网络。

圆弧厚度 图2与条件依赖关系的强度成正比;这表明，感觉异常和感觉不良之间的条件依赖关系最强，其次是GBS和感觉异常之间的关系，年龄和感觉异常之间的关系，以及GBS和虚弱之间的关系(详细的强度值可以在表S1中找到 多媒体附件2)．此外，我们发现在我们的网络中，除了红斑与GBS呈负相关外，大多数父节点与其子节点呈正相关，且GBS、感觉异常和感觉不良的风险随年龄的增加先升高后降低。

基于GBS 3个父节点状态的后测概率如 图3．提示50-64岁无红斑的男性疫苗接种者获得GBS的概率最高，其次是≥65岁或18-49岁的疫苗接种者，其他2个特征保持不变。年龄在50-64岁且没有红斑的女性疫苗接种者也倾向于经历GBS，但同样情况下的男性疫苗接种者的风险几乎是前者的三倍。相比之下，具有上述3个亲本节点的不同其他组合的疫苗接种者显示出获得GBS的概率降低。据估计，经历红斑AE的疫苗接种者几乎没有机会获得GBS。

所构建的BN模型在预测GBS方面表现良好，AUC为0.866 (95% CI 0.865-0.867)，敏感性为0.752 (95% CI 0.749-0.756)，特异性为0.882 (95% CI 0.879-0.885)，内部验证的概率阈值为0.014 (95% CI 0.0136-0.0143)，准确度为0.882 (95% CI 0.879-0.884)。在交叉验证过程中，BN的最佳性能达到AUC为0.906。对于欧洲数据中的外部验证，建立的BN得到的AUC值分别为0.829,0.673,0.854,0.843,sensitivity, specificity, accuracy。

BN结构从前100个AEs ( 图4)中包含了从前50位AEs中学到的结构。与前50个AEs的BN结构相比，新结构多了5个子节点(背痛、吞咽困难、跌倒、步态障碍和运动障碍)，多了10个配偶节点(头痛、颈部疼痛、关节痛、注射部位疼痛、疼痛、呼吸困难、咽部水肿、喉咙紧、意识丧失和晕厥)。

与之前的BN模型相比，新BN模型的性能略有提高，内部验证的AUC为0.883 (95% CI 0.881-0.884)，敏感性为0.787 (95% CI 0.784-0.790)，特异性为0.891 (95% CI 0.889-0.893)，准确性为0.890 (95% CI 0.888-0.892)，概率阈值为0.012 (95% CI 0.0115-0.0122)，外部验证的AUC、敏感性、特异性和准确性分别为0.832、0.664、0.915和0.911。

BN模型非常具有吸引力，因为它们能够描述变量之间复杂的概率相互作用，并确定用于概率推断的多个变量的唯一联合概率分布。在这项研究中，我们从GBS的MB中确定了10个最具信息量的GBS相关ae;构建基于年龄、性别和这10个AEs的联合概率分布，预测GBS的可能性;并取得了理想的表现。

根据以往的研究[ 2， 13]，所建立的BN结构也提示了GBS的临床特征为乏力、感觉不良、肌肉无力和感觉异常的感觉体征。此外，它建议在临床实践中识别GBS时还应考虑年龄、性别和红斑。尽管许多流行病学研究报告了年龄和男性性别的增加是格林-巴利综合征的危险因素[ 29- 32]，没有人将这两个人口学特征作为确定GBS发生的基础。我们的努力可能会促进GBS识别精准医学的发展。此外，红斑症状是一种可观察到且不易被忽视的身体体征，它比感觉体征为疫苗接种者或临床医生评估GBS风险提供了更明确的信息。此外，寒战、头晕、肌痛、恶心和四肢疼痛等其他症状也应引起对GBS风险增加的怀疑;这些症状已在许多病例报告中出现[ 33- 35]但未用于GBS鉴定。此外，我们的BN结构在视觉上呈现了变量之间复杂的相互作用，这有助于理解不同接种后症状发生的触发机制，但其因果关系还有待进一步验证。

虽然网络结构中包含的所有变量都被用于预测GBS，但我们也仅使用有关三个GBS父节点(年龄、性别和红斑)的信息计算了GBS的简化后测试概率，并得到了一些有趣的结果。一项被高度引用的荟萃分析整合了16项与gbs相关的原始研究，并获得了发病率的广义估计;针对特定年龄的估计显示，年龄每增加10岁，格林-巴利综合征的发病率就增加20% [ 4］．但是，根据VAERS数据，我们发现GBS的风险随着年龄的增加先升高后降低，在50-64岁年龄组达到峰值，在≥65岁年龄组下降。事实上，几篇文章报道了年龄和GBS之间类似的u型关系[ 29- 32， 36， 37]，而研究人员使用的随机效应负二项回归模型并没有检测到这种波动[ 4］．与之前的研究一致[ 29- 32]，我们的研究还发现，男性患GBS的风险高于女性。对于我们发现的红斑与GBS的负相关关系，我们广泛查阅了医学档案，有研究指出，GBS中的间歇性红斑相当罕见，应视为GBS的一种罕见表现[ 33］．总之，我们的研究结果表明，年龄在50-64岁且无红斑的男性疫苗接种者应警惕或由临床医生警告GBS的风险增加，特别是当他们还出现虚弱、感觉不良、肌肉无力或感觉异常的症状时。

据我们所知，该BN模型是继我们之前的逻辑回归模型之后，第二次尝试使用VAERS数据进行GBS风险预测[ 18］．该模型在内部交叉验证和外部验证中都能很好地预测GBS, AUC分别达到0.866和0.829，优于logistic回归模型(分别为0.775和0.769)。这种优势源于我们通过MB筛选的不同的gbs相关AEs以及BN模型中考虑的复杂相互作用。在外部验证中，虽然所建立的BN模型的敏感性为0.673，表现差强人，但特异性表现良好(0.854)，特异性是一个重要的指标，因为值越高说明模型误诊越少。外部验证的准确性(0.843)也证实了所建立的BN模型在医疗实践中值得尝试。此外，前50个基于AEs的网络和前100个基于AEs的网络在性能上的微小差异表明，从前50个AEs中学习到的BN结构已经包括了信息量最大的gbs相关AEs。由于临床实践更喜欢更紧凑的模型，尽管预测能力略低，我们主要报告了从前50个ae中学习到的BN模型。

已建立的BN模型不仅为临床医生提供了一个有前途的工具来辅助决策，而且还可以整合到一个网络平台中，方便那些想要根据轻微症状监测自己的GBS风险的人。此外，BN模型几乎不需要输入症状，使其更容易为普通人群所接受，这可能有助于这种监测行为。鉴于GBS的自然进展，它可能演变为呼吸停止和死亡，但通过准确的诊断和及时的治疗，预后有很大改善。

然而，有几个限制因素需要考虑。首先，VAERS和eudravigance系统都是自发报告系统，接受未经验证提交的报告;因此，报告偏见是不可避免的。例如，由领域专家在VAERS中注释的监管活动医学词典首选术语可能会重叠，可能的公开可能会刺激报告。其次，由于许多ae在年度数据中是稀疏的，我们选择使用所有年份的数据来构建BN模型。该方法忽略了不同年份流感疫苗配方可能对GBS风险的影响。第三，我们分析的队列仅限于VAERS FLU3和eudravigance流感疫苗;因此，应谨慎解释和应用BN模型，这一新的风险预测模型需要进一步研究、验证和前瞻性研究的评估。第四，MLE方法可能存在潜在的过拟合问题;尽管如此，外部验证期间的良好表现表明，过拟合问题在本研究中得到了很好的控制。 Finally, BN modelling requires the assumption of the Markov property; thus, some dependence relationships may not be revealed yet in the ultimate network. An interesting future direction is to 量化使用双变量广义线性混合效应模型或无变换Sarmanov家族，研究吉兰-巴氏综合征的发生与被认为是吉兰-巴氏综合征预测的10个已确定的ae中的每一个之间的边际依赖关系[ 38， 39］．

总之，本研究开发并外部验证了基于美国和欧洲大规模流感疫苗上市后队列数据的GBS风险预测BN模型。结果表明，BN模型可以有效识别GBS的最显著因素，并通过其图形表示来提高对不同疫苗接种后症状之间复杂相互作用的理解，并在内部和外部验证中准确预测GBS的风险。建立的BN模型可以通过为特定疫苗接种者提供GBS的估计风险来进一步协助临床决策，或者发展成为疫苗接种者自我监测的开放获取平台。