基于生活方式信息的个性化血液生物标志物预测的新型表示学习
机器学习
2024-07-11 v1 人工智能
摘要
血液生物标志物是医疗保健提供者诊断、监测和治疗各种医疗状况的重要工具。当前的参考值和推荐范围通常依赖于群体级统计数据，这可能无法充分解释由生活方式和遗传等因素驱动的个体间变异性的影响。在这项工作中，我们引入了一个用于预测未来血液生物标志物值的新框架，并通过从生活方式数据（体力活动和睡眠）和血液生物标志物中学习表示来定义个性化参考。我们提出的方法学习了一个基于相似性的嵌入空间，该空间捕捉了生物标志物与生活方式因素之间的复杂关系。使用 UK Biobank（257K 名参与者），我们的结果表明，我们深度学习的嵌入在预测临床诊断方面优于传统和当前 SOTA 的表示学习技术。使用 UK Biobank 中 6440 名有随访的参与者子集，我们验证了将这些嵌入和生活方式因素直接纳入血液生物标志物模型，可以改善从单次实验室就诊对未来实验室值的预测。这种个性化建模方法为开发更准确的风险分层工具和定制预防性护理策略奠定了基础。在临床环境中，这意味着有可能实现更早的疾病检测、更及时的干预，并最终向个性化医疗保健转变。
引用
@article{arxiv.2407.07277,
title = {Lifestyle-Informed Personalized Blood Biomarker Prediction via Novel Representation Learning},
author = {A. Ali Heydari and Naghmeh Rezaei and Javier L. Prieto and Shwetak N. Patel and Ahmed A. Metwally},
journal= {arXiv preprint arXiv:2407.07277},
year = {2024}
}