对应论文

A Bayesian framework for longitudinal EHR and genetic discovery

视频简介

纵向电子健康记录包含跨数十年的疾病轨迹,但传统分析通常逐病种建模,难以同时解释多病共现、年龄变化和遗传风险。 研究提出ALADYNOULLI贝叶斯生成框架,联合诊断时间序列、年龄与多基因风险,学习随时间变化的疾病签名和患者个体负载,并用于遗传发现与疾病预测。 在三个独立队列、超过68.3万人、最长52年随访和348种疾病上,模型得到21个可复现签名,跨队列组成保持率中位数约80%;签名GWAS发现151个既有单病种GWAS未检出的位点,并在1年和10年预测中优于多种临床评分。 全文公开核心模型、训练管线、分析脚本和版本化归档,使方法可复用。它显著改变大规模EHR与遗传数据的联合建模工作流,但仍是特定数据体系中的方法跃迁,尚未重定义更广泛的医学研究范式。

外部视频链接

论文链接