"Die Zusammenführung verschiedener Gesundheitsdatenquellen, einschließlich elektronischer Gesundheitsakten, medizinischer Bildgebung und Daten von Smartwatches, erzeugt eine enorme Menge an Daten für Forscher und Kliniker zur Analyse. Diese verschiedenen Datenströme tragen oft einzigartige und überlappende Signale, sogar innerhalb desselben Organsystems. Im kardiovaskulären System beispielsweise können Elektrokardiogramm- (EKG-) und Photoplethysmogramm- (PPG-) Daten kombiniert werden, um ein vollständigeres Bild der Herzgesundheit zu erhalten. Die Integration dieser physiologischen Signaturen mit genetischen Informationen aus großen Biobanken könnte die Identifizierung der genetischen Grundlagen von Krankheiten ermöglichen. Die Autoren entwickelten eine multimodale Version ihres vorherigen Modells, REGLE, namens M-REGLE, die die Analyse mehrerer Arten klinischer Daten gleichzeitig ermöglicht. M-REGLE produziert einen niedrigeren Rekonstruktionsfehler, identifiziert mehr genetische Assoziationen und übertrifft Risikoscores bei der Vorhersage von Herzkrankheiten im Vergleich zu seinem Vorgänger, U-REGLE. M-REGLE verwendet einen robusten, mehrstufigen Ansatz, der gemeinsames Lernen nutzt, um multiple Modalitäten zu kombinieren, die wichtigsten Informationen zu erfassen und Assoziationen zwischen berechneten unabhängigen Faktoren und genetischen Daten zu finden. Das Modell verbessert U-REGLE, um konsistent bessere "gelernte Repräsentationen" der Daten zu produzieren, was zu signifikant niedrigeren Rekonstruktionsfehlern führt und die wesentlichen Informationen aus den ursprünglichen Wellenformen erfasst. M-REGLE verbesserte sich auch bei der Identifizierung genetischer Assoziationen mit Herzkrankheiten und deckte mehrere neue Loci auf, die zuvor nicht mit diesen Merkmalen assoziiert waren. Die polygenen Risikoscores des Modells übertrafen die von U-REGLE bei der Vorhersage von Herzkrankheiten, insbesondere von Vorhofflimmern, signifikant."