Integración de datos multimodales para mejorar la predicción del riesgo de enfermedades en el UK Biobank

Área de la Ciencia:

• Biología computacional
• Genómica
• Informática médica

Sus antecedentes:

• El historial de salud familiar es crucial para evaluar el riesgo de enfermedades crónicas.
• La integración de registros de salud electrónicos (HCE) con datos genéticos puede mejorar la predicción del riesgo de enfermedades al capturar diversos factores del paciente.
• Los modelos actuales a menudo luchan por integrar de manera integral los datos multimodales de los pacientes.

Objetivo del estudio:

• Desarrollar y evaluar ALIGATEHR-Gen, una novedosa red de atención gráfica para mejorar la predicción del riesgo de enfermedades.
• Integrar datos multimodales de pacientes, incluida información genética, HCE y ontologías médicas.
• Mejorar la representación del paciente incorporando relaciones inferidas genéticamente e incrustaciones de ontología de enfermedades.

Principales métodos:

• ALIGATEHR-Gen utiliza una arquitectura de red de atención gráfica.
• El modelo integra datos multimodales de pacientes: información genética, códigos de diagnóstico y datos demográficos.
• Se incorporan conocimientos de ontología médica externa y relaciones de primer grado inferidas genéticamente.
• El rendimiento del modelo se evalúa en 118 enfermedades utilizando datos del UK Biobank.

Principales resultados:

• ALIGATEHR-Gen supera a los modelos de referencia de última generación en un promedio de al menos 6% en la predicción del riesgo de enfermedades.
• El modelo demuestra una distinción efectiva de subgrupos de pacientes para enfermedades fibróticas y relacionadas según características clínicas y genéticas.
• Las representaciones unificadas de pacientes mejoran la precisión predictiva.

Conclusiones:

• ALIGATEHR-Gen muestra un potencial significativo para avanzar en la modelización predictiva e interpretable en la atención médica.
• La integración de datos multimodales, incluida información genética y de HCE, es clave para mejorar la predicción del riesgo de enfermedades.
• Este enfoque ofrece un camino hacia una estratificación del riesgo de pacientes más personalizada y precisa.