A continuous-time Bayesian network for individualised diagnostic risk prediction

CTBN-PH: A continuous-time Bayesian network for individualised diagnostic risk prediction

Computers in Biology and Medicine · 2025 · Article 111069 · Disponible en línia el 23 de setembre de 2025

Llegir l'article (ScienceDirect) DOI: 10.1016/j.compbiomed.2025.111069

Nou article on hem treballat un model probabilístic en temps continu per descriure i predir com evolucionen els diagnòstics al llarg dels anys. La proposta combina xarxes bayesianes en temps continu amb un model de supervivència de riscos proporcionals (Cox) per ajustar el risc segons característiques clíniques i socials dels pacients, i permet simular trajectòries adaptades a perfils concrets.

Què aporta el mètode

• Aprèn una estructura causal de relacions entre diagnòstics a partir de trajectòries assistencials, i després n'estima la dinàmica al llarg del temps.
• Fa predicció de risc individualitzada: les transicions entre estats diagnòstics s'ajusten segons covariables (per exemple, mesures clíniques i factors socioeconòmics).
• Permet simular evolucions plausibles de pacients i poblacions, útil per explorar escenaris i suportar decisions clíniques i de planificació.

Resultats destacats

• Validació en una base de dades de més de 2,1 milions de pacients.
• El model identifica estructures causals complexes associades a multimorbiditat (per exemple, diabetis i hipertensió).
• Rendiment de predicció: puntuació integrada de Brier de 0,153 per predir l'inici d'un diagnòstic en un horitzó llarg (25 anys) i de 0,04 per predir l'estabilitat global del sistema en un horitzó de 4 anys.

Referència
Hernández Guillamet G, López Seguí F, Vidal Alaball J, López B.
CTBN-PH: A continuous-time Bayesian network for individualised diagnostic risk prediction.
Computers in Biology and Medicine. 2025;197:111069 · DOI: 10.1016/j.compbiomed.2025.111069

#AtencióPrimària #SalutDigital #Modelització #RiscDiagnòstic #DadesReals

Text generat amb ChatGPT (GPT-5.2 Thinking).