文摘目的基于改进的偏相关(improved partial-correlation-based,IPCB)算法建立连续贝叶斯网络模型,探寻尿酸(uric acid,UA)的代谢性影响因素,并通过与传统的多重线性回归模型分析比较,分析连续贝叶斯网络模型对疾病影响因素的效果和优势。方法以2015年山西省慢性病监测的4846例监测人群数据为研究对象,分别用多重线性回归模型和连续贝叶斯网络模型分析UA与其余9个代谢性疾病的特征指标的相关性,比较两种方法结果的优劣。结果经多重线性回归模型逐步分析,三酰甘油(triglyceride,TG)、SBP、DBP、低密度脂蛋白(low density lipoprotein,LDL)、高密度脂蛋白(high density lipoprotein,HDL)共5个变量与UA水平直接相关,解释了UA 9.5%的变异。连续贝叶斯网络模型共包含24条有向边,年龄、TG、LDL、HDL、SBP、DBP与UA水平直接相关,随着年龄、TG、LDL的增加和HDL的降低均会导致UA水平升高,而UA水平升高又导致SBP、DBP升高;总胆固醇(total cholesterol,TC)与UA间接相关。结论连续贝叶斯网络模型能发现更多UA的直接影响因素,还可以找到UA的间接影响因素,整体解释度更好。
