基于电子健康记录的预测指标与多基因评分的跨生物库概括性和准确性
Kira E Detrois1, Tuomo Hartonen1, Maris Teder-Laving2
1Institute for Molecular Medicine Finland, FIMM, HiLIFE, University of Helsinki, Helsinki, Finland.
基于电子健康记录 (EHR) 的表型风险评分 (PheRS) 有效地预测疾病风险,并在医疗保健系统中进行概括. 将PheRS与多基因分数 (PGS) 结合起来,可以更好地预测疾病的发病情况,从而带来额外的好处.
科学领域:
- 生物医学信息学
- 基因组学
- 流行病学
背景情况:
- 电子健康记录 (EHR) 包含丰富的健康轨迹数据.
- 多基因分数 (PGS) 使用遗传信息预测疾病风险,但它们与EHR数据的概括性和互补性不太清楚.
- 从电子健康记录中获得的表型风险评分 (PheRS) 提供了疾病风险预测的补充方法.
研究的目的:
- 评估基于EHR的表型风险得分 (PheRS) 在不同医疗保健系统中的通用性.
- 调查PheRS是否提供了用于疾病风险预测的多基因分数 (PGS) 的补充信息.
- 评估PheRS和PGS对常见疾病发病的综合预测性能.
主要方法:
- 训练了基于弹性网的PheRS来预测13种常见疾病的发生.
- 基于生物库的三项研究中使用了845,929人的数据:芬兰的FinnGen,英国的Biobank和爱沙尼亚的Biobank.
- 通过将一项研究中训练的模型应用于其他研究的数据而无需重新训练来评估PheRS的概括性.
主要成果:
- 所有发病的PheRS与各自的疾病具有统计学意义.
- 在没有再培训的情况下,大多数PheRS在三个医疗保健系统中表现出良好的普遍性.
- 对于PheRS和PGS,相关性仅为中等程度,这表明信息基本上是独立的.
- 与单独的PGS相比,PheRS和PGS组合的模型改善了13种疾病中的8种疾病的发病预测.
结论:
- 基于电子健康记录的风险评分 (PheRS) 在不同电子健康记录系统中具有很强的概括性.
- 与PGS相比,PheRS捕获了不同的信息,在疾病风险预测中提供了附加值.
- 结合PheRS和PGS可以更好地预测常见的疾病发作,从而支持它们在临床环境中的综合使用.
更多相关视频
08:04Identification and Classification of Position-specific GABAA Receptor Subunit Missense Variants for Their Role In Hippocampal Pyramidal Neurons
Published on: June 6, 2025
09:38Generalized Psychophysiological Interaction PPI Analysis of Memory Related Connectivity in Individuals at Genetic Risk for Alzheimer's Disease
Published on: November 14, 2017
相关概念视频
Polygenic Traits
Genome-wide Association Studies-GWAS
GWAS does not require the identification of the target gene involved in...
Human Genetics
The complex relationship between genetics and psychology is observable through common biological components such...
Behavioral Genetics and Its Designs
The primary methodologies used in behavior genetics include family studies, twin studies, and adoption studies, each providing unique...
Sensitivity, Specificity, and Predicted Value
Sensitivity is the...
Heritability
