在一个大规模的临床生物库中,开发一种特征风险评分,用于提克障碍

科学领域:

• 神经科学是一个神经科学.
• 遗传学 是一个遗传学.
• 临床信息学 临床信息学

背景情况:

• 提克在早期发作的神经发育障碍中很常见,影响高达2%的儿童.
• 遗传基础和滴答障碍的潜在原因尚未得到充分理解.
• 了解滴滴障碍表型对于诊断和治疗至关重要.

研究的目的:

• 从临床生物库中利用密集的表型信息来识别症疾病的关键特征.
• 进行一种全现象关联研究 (PheWAS),以在症病例中找到丰富的特征.
• 开发和验证一种表型风险评分 (PheRS) 用于提克障碍的识别.

主要方法:

• 利用非识别的电子健康记录 (EHR) 来识别患有滴滴障碍诊断代码的个人.
• 进行了PheWAS,将动障碍病例 (n=1406) 与对照病例 (n=7030) 进行比较.
• 使用丰富特征生成了PheRS,并在一个独立的队列中验证了它 (n=90,051).

主要成果:

• PheWAS揭示了提克障碍与强迫症,多动症,自闭症谱系障碍和焦虑症 (p < 7.396 × 10−5) 的显著并发症.
• 与非病例相比,在临床医生验证的滴滴病例中,发育的滴滴障碍PheRS显著更高 (p = 4.787 × 10−151).
• 在PheRS的测试中,PheRS在识别提克障碍病例方面表现出强大的预测能力 (β = 1.68,SE = 0.06).

结论:

• 大规模的医疗数据库和电子健康记录是了解表型复杂的疾病,如滴滴障碍等有价值的工具.
• 已识别的并发症表现型为提克障碍的神经发育背景提供了洞察力.
• 经过验证的PheRS显示了提高未被确诊的滴答障碍的识别潜力.