基于Gibbs抽样的从不完整数据学习动态贝叶斯网络 — — 针对重症监护环境

动态贝叶斯网络（DBN）因其能够在保持可解释性的同时建模患者数据的复杂时间关系而在医疗保健领域日益受到青睐，可解释性是临床决策的关键特性。然而，处理纵向临床数据集中缺失值现有方法大多源自静态贝叶斯网络文献，未能充分考虑数据的时序性。这一差距限制了其在时间上对不确定性的量化，而这在重症监护等场景中尤为关键，因理解时序动力学对模型可信度和跨患者群体的适用性至关重要。尽管DBN潜力巨大，但尚未存在能整合缺失值处理的完整贝叶斯框架。本文提出一种基于Gibbs抽样的方法，用于从不完整数据学习DBN。该方法将每个缺失值视为遵循高斯分布的未知参数。每次迭代时，对未观测值从其完整条件分布中抽样，从而实现原则性插值和不确定性估计。我们在仿真数据集和来自重症患者的真实临床数据上进行评估。与诸如MICE等标准模型无关技术相比，我们的贝叶斯方法在重建精度和收敛性方面表现出优势。这些结果凸显了在时序模型中集成完整贝叶斯推断的临床相关性，提供更可靠的插值，深入揭示模型行为。该方法支持更安全、更明确的临床决策，尤其适用于缺失值频繁且可能产生重大影响的场景。