用于表型预测的元分析数据整合：在慢性疲劳综合征中的应用

预测建模在为提供准确预后方面起关键作用，使我们向个性化治疗迈进。我们确定了两个潜在的人为偏差来源，可导致不同结论。我们通过一个复杂表型说明，在考虑此类偏差后仍能得出稳健结果。基于高维数据构建的预测模型常缺乏可解释性的缺点。为了以分子或细胞水平活动描述生物有机体水平现象的形式实现可解释性，常扩充功能和通路信息。功能信息可极大促进预测模型结果的解释。然而（纵向）数据扩充的一个重要方面被例行忽略，即可能存在若干分析阶段，此类信息可被有意义地整合。尚无已知标准使我们能够评估此种扩充的效果。本工作的一个新方面在于探索可整合功能信息的分析阶段可能性，并评估最终结论因合并水平不同而异的程度。为增强我们对关键发现的信心，通过探索不同水平的数据扩充进行第一层元分析。随后比较由不同小组开发的同一表型不同定义下的预测模型，这也是元分析的一种扩展形式。我们使用关于复杂表型的真实数据阐明上述。数据涉及慢性疲劳综合征（CFS），当前工作的另一个新方面在于对 CFS 潜在连续症状测量建模，据我们所知这是该疾病的首次。