疾病轨迹图

医学研究者逐渐认识到，许多疾病实际上是复杂的、异质性的综合征，由表现出相关并发症不同变体的亚群体组成。从个体电子健康记录（EHR）中提取的时间序列数据为研究这些疾病随时间的进展方式中的细微差异提供了一种令人振奋的新途径。在本文中，我们专注于回答利用这些时间序列数据库可以提出的两个问题。首先，我们希望了解是否存在具有相似疾病轨迹的个体，以及是否存在少数自由度来解释群体间轨迹的差异。其次，我们希望了解重要的临床结局如何与疾病轨迹相关联。为了回答这些问题，我们提出了疾病轨迹图（DTM），一种学习稀疏且不规则采样时间序列的低维表示的新颖概率模型。我们提出了一种用于学习 DTM 的随机变分推断算法，该算法使模型能够扩展到大型现代医疗数据集。为了展示 DTM，我们分析了收集自复杂性自身免疫疾病硬皮病患者的数据。我们发现 DTM 学习到了疾病轨迹的有意义表示，并且这些表示与重要临床结局显著相关。