基于动态贝叶斯网络构建代谢综合征发生及逆转的双向因果推断模型研究

Previous studies have shown that patients with metabolic syndrome (MS) would proceed to cardiovascular, cerebrovascular, kidney diseases or death in ten years. And the state can aslo reverse to normal after early prevention. However, it is not clear about the reciprocal dynamic causal association mode of the development and reversal of MS. We have verified the causal association between five blood routine, biochemical factors and MS using one-way static Bayesian network model previously. And we have recruited twenty thousand heatlh check-up subjects from 2011 to 2017. We’ll continue to implement a four years’ follow-up acquiring genetic factors, lifestyle, behavioral and psychological factors with questionaires. Based on the ten-year ambispective cohort, structure nested mean model and generalized boosted propensity score weighting model are used to adjust non-measured or dynamic confounding factors with complex non-linear or interaction association and then the associated factors will be detected. Then the reciprocal dynamic causality between these factors and MS will be explored using dynamic bayesian network model. In the end, statistical simulation, cross-validation in combination with time-dependent decision curve analysis will be used to compare the accuracy of these models. External population verification will also be conducted. This study is to provide scientific basis for the intervention of MS, and provide a useful reference for the study of dynamic casual inference.

代谢综合征（MS）患者在十年内既可以发生心脑肾多脏器慢性疾病甚至死亡，早期干预又可以逆转为健康人，但影响MS发生及逆转的双向动态因果模式尚不明确。课题组前期采用单向静态因果推断模型研究发现5种血常规和血生化指标与MS存在因果关系。本研究拟在2011-2017年3万例健康体检队列人群基础上，继续随访4年，收集遗传、生活行为与心理因素等问卷资料，构建十年双向性队列，采用双向动态因果推断建模策略，首先利用结构嵌套均值模型和广义Boosted倾向性评分加权模型，校正具有非线性/交互作用或没有测量的依时变化混杂因素，筛选影响MS发生及逆转的主要因素；然后利用动态贝叶斯网络建立MS发生及逆转的双向动态因果推断模型，分析依时变化各因素的因果效应及路径；最后利用统计模拟、交叉验证法和依时决策曲线分析法评价模型的准确性，并进行外部人群验证。为制定MS防治策略提供科学依据，为双向动态因果推断研究提供有益参考。

代谢综合征(Metabolic Syndrome, MS)，是常见慢性病的一组症候群。MS任何组分异常都是慢性病的危险因素，而多种危险因素聚集会增加慢性病及死亡的风险。MS组分之间、各组分与血液指标之间的相互影响关系较为复杂，MS的演变规律尚不明确。动态因果模型能够分析依时变化的变量对MS的因果关系，有效地探讨MS发生及逆转的因果路径及效应。.本项目收集了首都医科大学附属北京宣武医院、北京电力医院和北京同仁医院2011-2021年的健康体检人群进行双向队列研究，调查了生活行为因素，检测了血常规和血生化指标，采用动态因果模型的建模策略，利用基于GBM的倾向评分加权模型控制了具有复杂线性、非线性和交互作用的混杂因素，运用静态、动态贝叶斯网络模型探讨了不同组分进展为MS以及MS逆转的正反向因果路径，分析随时间变化的各指标在因果路径的作用，从而进行了MS双向动态因果推断研究。本研究发现MS发生的静态贝叶斯网络结构共有131条因果路径，其中最重要的路径是各血常规指标异常或中性粒细胞/淋巴细胞比值水平升高→甘油三酯升高→非酒精性脂肪肝→中心性肥胖→MS。MS逆转的静态贝叶斯网络结构共有78条MS逆转因果路径，其中最重要的路径是eGFR→高尿酸血症→MS各组分正常或TC水平正常→MS逆转。两者因果路径中含有相似的通路：“NAFLD→中心性肥胖→TG”。MS发生的静态贝叶斯网络原因推理结果显示：与未患病组相比，非酒精性脂肪肝患病组MS发病风险增加110.6%。贝叶斯网络证据推理结果显示：MS发生人群更有可能存在中心性肥胖、甘油三酯升高、糖代谢异常和血压升高以及合并非酒精性脂肪肝患病。动态贝叶斯网络推理结果表明，与其他组分异常变化相比，由TG水平正常变为升高时，MS发生风险增加均最高，表明TG异常有更高的MS发生风险。.本项目利用的静态及动态贝叶斯网络对MS及其各组分发生及逆转的因果推断具有优势，动态贝叶斯网络可以灵活地根据不同时点节点的取值推理MS发生及逆转的条件概率，研究结果有助于早期预防MS的发生，为不同MS因果模式人群进行个性化重点防治提供科学依据。