使用因果网络进行多重中介分析的教程：应用于从COVID-19的早期和晚期症状进行诊断

《Quality Management in Healthcare》：Tutorial on Multiple Mediation Analysis Using Causal Networks: Application to Diagnosing COVID-19 From Its Early and Late Symptoms

网络模型通过整合19项回归分析揭示COVID-19症状间的链式中介效应，采用LASSO回归确定直接和间接影响，并模拟联合分布验证模型，10折交叉验证AUC达0.82，为无检测时症状分诊提供AI支持。

　　

摘要

背景与目标：

研究多重中介效应有两种方法：基于网络的方法和回归方程中系数的分析方法。

本教程展示了如何通过首先构建因果网络，然后评估网络内的直接效应和中介效应来进行多重中介效应分析。所提出的方法是在诊断COVID-19症状的背景下进行演示的。

方法：

通过列表服务（listservs）以及弗吉尼亚联邦大学健康中心的员工和患者招募了822名已完成COVID-19检测的参与者。参与者报告了他们的症状以及哪些症状最先出现。通过四个步骤的重复回归分析建立了因果网络模型：首先，我们确定了症状出现的顺序；其次，将COVID-19检测结果与症状和人口统计变量进行LASSO回归分析，以确定直接效应；第三，将直接效应与之前的症状和人口统计变量进行LASSO回归分析，以确定间接效应；第四，通过评估这些直接效应的多种组合来模拟网络中各变量的联合分布；第五，通过双胞胎建模计算中介效应，将实际数据得出的模型与假设没有中介效应的模型进行比较。

结果：

该网络模型的10折交叉验证接收者操作特征曲线下面积（AUC）为0.82，属于中等到高水平的准确性。该模型表明，后期出现的症状（如发冷）对早期出现的症状（如发烧）的效应具有中介作用。

结论：

基于网络的多重中介效应分析通过将19个独立回归的结果整合到一个网络模型中，提供了新的见解。这一过程展示了人工智能如何在任何家庭或实验室检测之前，根据患者的症状帮助进行COVID-19患者的分类。