TY -的AU -黄,云非盟-罗,Chongliang盟——江,应非盟- Du,景程之盟道,崔盟——陈,永盟,郝Yuantao PY - 2022 DA - 2022/3/25 TI -贝叶斯网络来预测流感疫苗接种后格林-巴利综合征的风险:发展和验证研究乔- JMIR公共卫生Surveill SP - e25658六世- 8 - 3 KW -不良事件KW -贝叶斯网络KW -格林-巴利综合征KW -风险预测KW -三价流感疫苗AB -背景:确定Guillain-Barré综合征(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。然而，关于GBS的预警模型几乎没有任何出版物。在GBS风险预测中，贝叶斯网络(BN)模型是一个值得尝试的模型，在许多类似的领域，它是一个准确的、可解释的和交互敏感的图模型。目的:本研究旨在确定GBS的最显著因素，并进一步开发和验证用于预测GBS风险的BN模型。方法:提取大规模流感疫苗上市后监测数据，包括79,165美国(从1990年至2017年疫苗不良事件报告系统获得)和12,495欧洲(从2003年至2016年eudravigance系统获得)不良事件(AEs)报告，用于模型开发和验证。使用R包bnlearn构建初始BN时，包括GBS、年龄、性别和前50名流行AEs。结果:年龄、性别和10个ae被认为是GBS的最重要因素。GBS的测试后概率表明，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症状时。建立的BN模型在内部验证时预测GBS风险的受试者工作特征曲线下面积为0.866 (95% CI 0.865 ~ 0.867)，灵敏度为0.752 (95% CI 0.749 ~ 0.756)，特异性为0.882 (95% CI 0.879 ~ 0.885)，准确度为0.882 (95% CI 0.879 ~ 0.884)，得到的受试者工作特征曲线下面积为0.829，灵敏度为0.673，特异性为0.854，准确度为0.843。 during the external validation. Conclusions: The findings of this study illustrated that a BN model can effectively identify the most significant factors of GBS, improve understanding of the complex interactions among different postvaccination symptoms through its graphical representation, and accurately predict the risk of GBS. The established BN model could further assist clinical decision-making by providing an estimated risk of GBS for a specific vaccinee or be developed into an open-access platform for vaccinees’ self-monitoring. SN - 2369-2960 UR - https://publichealth.www.mybigtv.com/2022/3/e25658 UR - https://doi.org/10.2196/25658 UR - http://www.ncbi.nlm.nih.gov/pubmed/35333192 DO - 10.2196/25658 ID - info:doi/10.2196/25658 ER -