PhenoSS——基于高斯Copula的罕见病预测与患者分层框架
J Am Med Inform Assoc:PhenoSS——基于高斯Copula的表型驱动罕见病预测与患者分层框架
PhenoSS提供了一种新的统计框架,通过高斯Copula处理罕见病的表型异质性和批次差异,有助于提高罕见病的诊断准确性。
8分钟前 熊佳仪 MedSci原创 发表于上海
PhenoSS提供了统计可解释、可扩展的框架,可处理表型异质性和批次差异,并适用于SNOMED-CT和ICD等结构化词汇。
罕见病诊断依赖HPO对临床表型进行系统化编码,但现有从HPO术语优先排序候选疾病的方法常忽略术语的层级结构、相关术语之间的依赖,以及不同队列、机构和临床医生在表型记录上的系统性差异即批次效应,因而可能产生有偏的聚类和预测。OARD与HPO疾病注释分别提供真实世界和人工整理的表型频率,但如何将边缘患病率、术语相关性和批次校正纳入统一概率框架仍是难点。PhenoSS即针对患者聚类和候选疾病及基因优先排序两个任务提出。 PhenoSS以高斯Copula建模每种疾病下各HPO术语的边缘患病率,并通过多元正态分布连接术语相关性,从而纳入HPO有向无环图层级和共现依赖。疾病-表型条件频率优先查询HPO-disease,缺失时回退OARD,未注释表型用Resnik相似性映射,边缘频率用ssmpy信息量指数化恢复,并比较median、IC和baseline策略以及oard_only、oard_first、hpodb_first、hpodb_only四种资源整合模式,疾病空间扩展至约9380个MONDO疾病。后验比值由先验比值乘似然比,计算患者对各候选疾病的后验odds并排序。患者相似性采用Resnik
小提示:本篇资讯需要登录阅读,点击跳转登录
版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
来源:梅斯医学·临床资讯 · news.medsci.cn
