面向慢性肾脏病进展预测的可扩展多变量纵向数据建模

预测疾病的未来轨迹是个性化医疗和人群健康管理面临的一项重要挑战。然而，许多复杂的慢性疾病表现出高度的异质性，而且并非总有一个现成的单一生物标志物来量化疾病严重程度。即使存在这样的临床变量，通常还会为患者常规测量其他相关的生物标志物，这些标志物可能更好地为其未来疾病状态的预测提供信息。为此，我们提出了一种新颖的概率生成模型，用于多变量纵向数据，以捕捉多变量轨迹之间的依赖关系。我们对每条个体轨迹使用基于高斯过程的回归模型，并借鉴潜在类别模型的思想来诱导其均值函数之间的依赖。我们使用可扩展的变分推断算法将我们的方法拟合到一个大型的纵向电子患者健康记录数据集上，发现与近期最先进的方法相比，它改善了动态预测。我们当地的负责任医疗组织随后在对高风险慢性肾脏病患者进行病历审查时使用了该模型的预测结果。