通过因果机器学习和多模态整合理解心血管和认知疾病风险
研究问题
- 因果机器学习（ML）模型能否整合多模态数据——包括人口统计学特征、生物标志物、遗传信息、磁共振成像（MRI）、心电图（ECG）及其他测量指标——以生成比传统模型更准确、稳定且可解释的心血管疾病（CVD）和痴呆风险预测结果？
- 关键多模态预测因子与心血管疾病及痴呆风险之间存在哪些因果关联？
研究目标
- 利用英国生物银行丰富的多模态数据集，开发用于预测心血管疾病和痴呆的因果机器学习模型。
- 识别并解读连接预测因素（如生活方式、影像学特征、生物标志物及遗传因素）与心血管及认知健康结局的因果路径。
科学依据
心血管疾病和痴呆是全球重大健康负担，两者共享可改变的风险因素及遗传易感性。这些疾病常共病发生，并通过重叠的血管、代谢和炎症机制相互关联。传统风险预测模型通常依赖有限数据集，仅能捕捉变量间的统计关联而非因果关系，导致预测准确性和临床实用性受限。
因果机器学习领域的最新进展使研究者能够整合多样化数据源，并有效区分因果效应与单纯相关性。英国生物银行提供了卓越的研究资源，包含详尽的人口统计学、临床、生化、心电图、遗传学及影像学数据，涵盖心脏和脑部磁共振成像。这为开发可解释性强、稳定性高且普适性广的早期预测模型创造了条件。
本研究将充分利用该资源构建因果机器学习风险预测模型，并深入探究心脑健康关联机制。通过心脏与脑部MRI的联合分析，系统考察心血管健康状态对认知功能衰退的影响路径。这些科学发现将为靶向预防策略提供实证支持，并深化对疾病发生发展机制的理解。
【全文结束】
