用电子病历和基因数据追踪疾病变化的新方法

本文介绍了一种名为ALADYNOULLI的新方法，它是一种贝叶斯生成模型，专门用于分析大规模电子健康档案（EHR）和基因数据。传统方法通常孤立地看待每种疾病，或忽略患者随时间变化的病情进展及遗传背景；而ALADYNOULLI则创新性地将三类关键信息——患者多年来的诊断记录、年龄变化、以及多基因风险评分——统一建模，从而识别出反映共同生物学机制的‘疾病签名’（例如‘心血管签名’‘炎症签名’等）。研究团队将该模型应用于英国生物银行（UK Biobank）、麻省总医院（MGB）和‘全民研究计划’（All of Us）三大独立数据库（总计超68万人，最长随访达52年、涵盖348种疾病），成功提取出21种高度稳定的疾病签名，这些签名在不同人群、不同医疗体系中均保持一致（平均80%的疾病组成重合）。更重要的是，同一临床诊断（如心肌梗死或抑郁症）下，患者可能属于不同签名组合的亚群——例如，一部分抑郁症患者主要表现为‘疼痛/炎症/代谢’特征，另一部分则更偏向神经精神特征，这解释了为何同样被诊断为抑郁症的患者对治疗反应差异很大。模型还发现：家族性高胆固醇血症患者明显富集于‘心血管签名’；克隆性造血患者富集于‘炎症签名’；LDLR、TTN、BRCA2等罕见致病基因变异也精准对应各自相关的疾病签名。此外，基于签名的全基因组关联分析新发现了151个疾病相关基因位点，其中不少是传统单病种分析所遗漏的。该模型还能通过逆概率加权法校正数据偏差，并在预测性能上全面超越现有临床风险评估工具（如PCE、PREVENT、Gail模型），尤其适用于有复杂共病的患者。简言之，ALADYNOULLI不仅让医生能更早、更准地预测疾病风险，更能帮助科研人员从海量病历中挖掘出疾病的深层生物学分型，推动真正个性化的精准医疗。