Continuous-Time Bayesian Networks with Structured Shrinkage Priors for Modelling Multimorbidity Trajectories in Large-Scale Electronic Health Records
带结构化收缩先验的连续时间贝叶斯网络：大规模电子健康记录中的多病轨迹建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是从纵向电子健康记录中学习有向疾病依赖网络并处理疾病间交互，直接对应网络与干扰方向；其余候选细分无明确文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
带结构化收缩先验的连续时间贝叶斯网络：大规模电子健康记录中的多病轨迹建模
- 研究问题
- 摘要称，多重长期病症源于疾病间复杂且随时间变化的相互作用，但现有方法难以联合建模疾病进展、多病网络与高维风险因素；本文关注如何从纵向电子健康记录中学习有向疾病依赖网络。
- 方法与思路
- 作者提出结构化贝叶斯连续时间贝叶斯网络（CTBN）框架，令疾病转移强度依赖于已有病症、成对疾病交互与外生协变量；为控制交互参数组合式增长，引入随阶数递增惩罚的收缩先验，并比较spike-and-slab、结构化正态、贝叶斯LASSO与正则化马蹄四种稀疏先验。
- 材料陈述的贡献
- 摘要称，模拟研究显示spike-and-slab先验在网络恢复、变量选择准确性与错误发现控制上表现最好，连续收缩先验在硬变量选择上较弱；应用于英国生物银行初级保健记录中33,558名40岁时无十种最常见病症的参与者，识别出以糖尿病为中心的心代谢模块和连接呼吸与特应性疾病的炎症模块。
- 阅读关注点
- 应核对CTBN转移强度的具体参数化与识别假设、阶数依赖收缩先验的构造与超参数设定、模拟场景与评价指标、UK Biobank样本筛选与随访定义，以及两个疾病模块的稳健性检验；摘要未说明这些细节。
- 阅读边界
- 仅依据arXiv预印本摘要，未读全文，不能据此声称已通过同行评审或期刊接收；摘要未说明识别条件、估计与计算细节、置信区间及因果解释边界，所报告的模拟与实证结果均属作者陈述，未经独立验证。
原文摘要
Multiple long-term conditions (MLTCs) arise through complex, time-dependent interactions among diseases, yet existing methods often struggle to jointly model disease progression, multimorbidity networks, and high-dimensional risk factors. We propose a structured Bayesian continuous-time Bayesian network (CTBN) framework for learning directed disease-dependency networks from longitudinal electronic health records. The model allows disease transition intensities to depend on existing conditions, pairwise disease interactions, and exogenous covariates. To control the combinatorial growth of interaction parameters, we introduce order-dependent shrinkage priors that increasingly penalise higher-order effects while preserving clinically interpretable main effects. We compare four sparsity-inducing priors, spike-and-slab, structured normal, Bayesian LASSO, and regularised horseshoe through extensive simulation studies. Across multiple data-generating scenarios, the spike-and-slab prior achieved the best network recovery, variable-selection accuracy, and false-discovery control, while continuous shrinkage priors were less effective for hard variable selection. The proposed framework was applied to UK Biobank primary care records, focusing on data from 33,558 participants who were free of the ten selected most prevalent conditions at age 40 and who subsequently developed at least one of these conditions during the follow-up period. The selected spike-and-slab model identified two dominant disease modules: a cardiometabolic cluster centred on diabetes and an inflammatory cluster linking respiratory and atopic conditions.