
-
生物通官微
陪你抓住生命科技
跳动的脉搏
通过多模态数据集成框架推导出可复制的败血症临床亚表型
《npj Digital Medicine》:Deriving reproducible sepsis clinical subphenotypes through multimodal data integration framework
【字体: 大 中 小 】 时间:2026年08月27日 来源:npj Digital Medicine 18.0
编辑推荐:
摘要脓毒症仍然是全球主要的健康挑战,其高度的异质性限制了有效治疗方法的发展。数据驱动的亚型分型为精准治疗带来了希望,但现有的大多数方法依赖于单模态或静态数据,因而重现性有限。尽管多模态数据可能有助于改善患者的分组和治疗效果估算,但将多模态数据整合到脓毒症亚型分型中的研究仍较为匮乏
脓毒症仍然是全球主要的健康挑战,其高度的异质性限制了有效治疗方法的发展。数据驱动的亚型分型为精准治疗带来了希望,但现有的大多数方法依赖于单模态或静态数据,因而重现性有限。尽管多模态数据可能有助于改善患者的分组和治疗效果估算,但将多模态数据整合到脓毒症亚型分型中的研究仍较为匮乏。为填补这一空白,我们利用来自中国和美国的55,940名脓毒症患者数据,开发了“多模态整合实现新型可重复亚型分型”(MINERS)框架。该框架包含三个模块:发现(Discovery)、迁移(Transfer)和验证(Validation),能够从多模态数据中识别脓毒症亚型,实现跨队列的早期亚型预测,并评估其重现性和临床实用性。通过MINERS框架,五种数据类型被整合到一个4945维的患者表示模型中,通过嵌入和聚类方法识别出了四个具有重现性的亚型。这些亚型表现出不同的临床轨迹、预后模式和治疗反应相关性,并在国际队列中得到了进一步验证。与现有方法相比,MINERS框架衍生出的亚型能够更全面地捕捉患者纵向数据的变化异质性,提供了一个可转移且可扩展的多模态亚型分型分析框架。