近日，由麻省总医院心脏血管研究所Sarah Urbut博士领衔，联合哈佛医学院及Broad研究所等机构的研究团队在《自然》杂志发表重要成果。针对临床长期存在的诊疗信息壁垒及忽视患者纵向健康演变的问题，团队开发出名为ALADYNOULLI的贝叶斯生成模型。该模型通过整合电子病历、年龄及遗传风险数据，打破单一病种限制，动态追踪患者全生命周期的健康轨迹。 研究将模型应用于涵盖348种疾病的临床数据，成功将其归纳为21个可复现的潜在疾病特征。在超过68.3万受试者、长达52年的独立生物库验证中，该模型精准复现了已知疾病进展规律，并挖掘出传统单病种分析所遗漏的遗传关联。随患者病史积累，模型能实时更新风险预测，显著提升疾病预后判断精度。 该成果标志着医疗分析从静态标签向动态轨迹的关键跨越。模型展现出的跨系统泛化能力，使其无需依赖海量本地基因数据即可在各级医疗机构部署，为探索复杂疾病底层生物学机制及实现高度个性化的长期健康管理提供了全新工具。