《Nature Communications》：Bayesian machine learning enables discovery of risk factors for hepatosplenic multimorbidity related to schistosomiasis
编辑推荐：
为了探索慢性感染背景下肝脾多病共存的危险因素，研究者们在肠血吸虫病流行的乌干达农村，利用新型贝叶斯多任务学习框架，对3155名个体进行了便携式B超评估，发现了肝脾多病共存及其45种具体病症的不同和共享的风险因素，为监测、分诊和随访提供了风险因子汇编，并有望推广至其他解剖系统的多病研究。
全球范围内，每25例死亡中就有1例与肝脏疾病相关，并且常常伴有多重肝脾病症。然而，我们对肝脾多病共存的危险因素知之甚少，特别是在慢性感染的背景下。这一问题在血吸虫病等寄生虫病流行地区尤为突出。为了填补这一知识空白，并为高风险人群的精准监测、分诊和随访提供依据，一项研究应运而生。这项名为“Bayesian machine learning enables discovery of risk factors for hepatosplenic multimorbidity related to schistosomiasis”的研究，发表于《Nature Communications》期刊，利用创新的贝叶斯多任务学习模型，对乌干达农村地区3155名居民进行了深入分析，旨在揭开肝脾多病共存的复杂面纱。
为了开展这项研究，研究者们主要运用了几个关键技术方法。首先，他们建立了“SchistoTrack”队列，这个队列涵盖了乌干达农村地区3155名5-91岁的个体，该地区是慢性肠血吸虫病的流行区。其次，研究采用了点式护理B型超声来评估45种肝脾病症，这是评估肝脾形态学异常的核心工具。最后，也是本研究的核心创新，是开发并应用了一种新颖的贝叶斯多任务学习框架。这个框架能够同时建模所有的肝脾病症，有效分析不同病症之间既独立又相关的风险因素，并能将疾病间的依赖性本身作为风险因素加以测量。
研究结果
风险因素的识别
通过贝叶斯多任务学习模型，研究成功识别了肝脾多病共存以及各具体病症的独有和共享风险因素。这些风险因素涵盖了生物医学指标、社会经济学因素和空间地理变量。模型揭示了不同病症背后风险因素的异质性。尤为突出的是，对于胃食管静脉曲张，研究发现了几个关键的风险因素：年龄增长、血红蛋白浓度降低以及血吸虫性门静脉周围纤维化。
条件依赖性的测量
本研究引入的方法能够量化不同肝脾病症之间的依赖性，并将这种依赖性本身作为预测多病共存的重要风险因素进行分析。这有助于理解疾病如何相互关联并形成多病集群。
模型的预测性能
所构建的贝叶斯多任务学习模型在预测肝脾多病共存方面表现出了优越的性能，其预测能力优于传统的单任务学习方法。这表明，同时考虑多种病症及其相互关系的建模方式，能更准确地识别高危个体。
本研究得出结论，在慢性血吸虫病流行区，肝脾多病共存受到一系列复杂的生物医学、社会经济和空间因素的共同影响。研究不仅提供了一份详尽的肝脾多病共存风险因子汇编，可用于指导临床实践中的风险分层、重点监测和随访策略，更重要的是，其开发的贝叶斯多任务学习框架为解析多病共存的复杂病因提供了强大的方法论工具。该模型不仅提升了肝脾多病共存的预测准确性，其方法论框架如果经过验证，有望推广应用于其他解剖系统乃至全身性的一般多病性研究，为理解和管理日益增长的多病共存公共卫生挑战开辟了新途径。
