多模式数据集成改善了英国生物库疾病风险预测

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 医疗信息学医学信息学

背景情况:

• 家庭病史对于评估慢性疾病风险至关重要.
• 将电子健康记录 (EHR) 与遗传数据相结合,可以通过捕捉各种患者因素来提高疾病风险预测.
• 目前的模型往往难以全面整合多式联络患者数据.

研究的目的:

• 开发和评估ALIGATEHR-Gen,一种用于改善疾病风险预测的新型图表注意力网络.
• 整合多式联络患者数据,包括遗传信息,电子健康记录和医学本体学.
• 通过结合遗传推断关系和疾病本体学嵌入来增强患者的代表性.

主要方法:

• ALIGATEHR-Gen使用了一个图表注意力网络架构.
• 该模型整合了多模式患者数据:遗传信息,诊断代码和人口统计数据.
• 外部医学本体学知识和基因推断的第一级关系被纳入.
• 用英国生物库数据对118种疾病进行模型性能评估.

主要成果:

• 在疾病风险预测方面,ALIGATEHR-Gen的表现超过了最先进的基线模型平均至少6%.
• 该模型证明了基于临床和遗传特征的纤维化和相关疾病患者子组的有效区分.
• 统一的患者表述可以提高预测准确度.

结论:

• ALIGATEHR-Gen显示了在医疗保健中推进预测和可解释建模的巨大潜力.
• 整合多式联络数据,包括遗传和电子健康记录信息,是改善疾病风险预测的关键.
• 这种方法为更个性化,更准确的患者风险分层提供了一条途径.