贝叶斯网络在护理风险因素分析中的应用

1. 这个方法解决什么问题

贝叶斯网络用有向无环图（DAG）表示变量间的概率依赖关系。在护理研究中，它能同时处理多个风险因素与结局之间的复杂关系，并进行概率推理。

2. 适合哪些护理研究场景

• 多维度风险因素与护理结局的联合建模
• 症状与功能状态之间的因果发现
• 护理干预效果的模拟推演
• 缺失数据下的概率推断

3. 数据需要长什么样

横截面或纵向的离散化/分类数据。连续变量需先离散化。样本量建议 > 500 以保证结构学习的稳定性。

4. 模型逻辑用人话怎么理解

贝叶斯网络等于”结构 + 概率表”。结构告诉你哪些变量直接相关（有箭头），概率表告诉你每个变量在不同条件下的取值概率。可以从数据中自动学习结构（结构学习），也可以基于专家知识手动指定。

5. R 代码模板

library(bnlearn)

# 结构学习
dag <- hc(data)  # Hill-Climbing 算法
graphviz.plot(dag)

# 参数学习
fitted <- bn.fit(dag, data)

# 条件概率查询
cpquery(fitted, event = (outcome == "poor"),
        evidence = (age == ">70" & comorbidity == "high"))

6. 结果怎么解释

关注弧的方向和强度、条件概率表中高风险的组合模式。Bootstrap 结构学习可以评估每条弧的稳定性（出现频率 > 85% 视为稳健）。

7. 论文中怎么写

中文： 采用 Hill-Climbing 算法进行贝叶斯网络结构学习，bootstrap 重抽样（1000 次）评估弧的稳定性。最终网络包含 8 个节点和 12 条弧，条件概率查询显示年龄 > 70 且合并症 ≥ 3 时不良结局概率为 67%。

8. 常见错误

• 混淆关联与因果（贝叶斯网络本质仍是概率模型）
• 连续变量不处理直接扔进结构学习
• 小样本下的弧方向不可靠