Сбор различных источников данных о здоровье, включая электронные медицинские записи, медицинские изображения и данные от смарт-часов, создает огромное количество данных для анализа исследователями и клиницистами. Эти разнообразные потоки данных часто несут уникальные и перекрывающиеся сигналы, даже в пределах одной и той же системы органов. Например, в сердечно-сосудистой системе данные электрокардиограммы (ЭКГ) и фотоплетизмограммы (ФПГ) могут быть объединены для получения более полной картины здоровья сердца. Интеграция этих физиологических сигналов с генетической информацией из крупных биобанков может позволить идентифицировать генетические основы заболеваний. Авторы разработали многомодальную версию своей предыдущей модели, REGLE, называемую M-REGLE, которая позволяет анализировать несколько типов клинических данных одновременно. M-REGLE производит меньшую ошибку реконструкции, идентифицирует больше генетических ассоциаций и превосходит рисковые оценки в прогнозировании сердечно-сосудистых заболеваний по сравнению с ее предшественником, U-REGLE. M-REGLE использует надежный, многошаговый подход, который использует совместное обучение для объединения нескольких модальностей, захвата наиболее важной информации и нахождения ассоциаций между вычисленными независимыми факторами и генетическими данными. Модель улучшает U-REGLE, постоянно производя лучшие «обученные представления» данных, что приводит к значительно меньшим ошибкам реконструкции и захвату важной информации из оригинальных волновых форм. M-REGLE также улучшила U-REGLE в идентификации генетических ассоциаций с сердечно-сосудистыми заболеваниями и обнаружила несколько новых локусов, не связанных ранее с этими признаками. Полигенные рисковые оценки модели значительно превзошли оценки U-REGLE в прогнозировании сердечно-сосудистых заболеваний, особенно фибрилляции предсердий.