📊 statistics

Disentangling Latent Risk Pathways via Bayesian Hypergraph Inference

यह शोध पत्र एक बेयसियन हाइपरग्राफ इन्फरेंस फ्रेमवर्क प्रस्तुत करता है जो लेटेंट (अव्यक्त), जोखिम-कारक-मॉड्यूलेटेड रोग पथों की पहचान करके इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड में बहु-रोग जोखिम को मॉडल करता है, जो व्याख्या योग्य उच्च-क्रम संरचनाएं, कैलिब्रेटेड अनिश्चितता और स्केलेबल वेरिएशनल इन्फरेंस के माध्यम से दुर्लभ रोगों के लिए बेहतर अनुमान प्रदान करता है।

मूल लेखक: Shengxian Ding, Haonan Gao, Pangpang Liu, Xinyuan Tian, Yize Zhao

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shengxian Ding, Haonan Gao, Pangpang Liu, Xinyuan Tian, Yize Zhao

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक डॉक्टर हैं जो यह समझने की कोशिश कर रहे हैं कि कोई मरीज बीमार क्यों होता है। अतीत में, आप शायद प्रत्येक बीमारी को अलग से देखते: "उन्हें मधुमेह (diabetes) क्यों हुआ?" "उन्हें अस्थमा क्यों हुआ?" आप उन्हें पूरी तरह से अलग समस्याओं के रूप में देखते।

लेकिन वास्तव में, बीमारियाँ अक्सर एक साथ होती हैं क्योंकि उनके पीछे सामान्य कारण होते हैं। हो सकता है कि धूम्रपान फेफड़ों और हृदय दोनों की समस्याओं का कारण हो। हो सकता है कि उम्र जोड़ों के दर्द और याददाश्त की कमी का कारण हो।

आधुनिक कंप्यूटर मॉडल की समस्या यह है कि वे या तो हर बीमारी को एक अलग द्वीप (island) की तरह मानते हैं (जिससे जुड़ाव छूट जाता है) या वे एक "ब्लैक बॉक्स" का उपयोग करते हैं जो बीमारी की भविष्यवाणी तो अच्छी तरह से करता है लेकिन यह नहीं समझा पाता कि कारण क्यों और कैसे आपस में जुड़े हुए हैं।

यह पेपर एक नए टूल BHPI (Bayesian Hypergraph Pathway Inference) का परिचय देता है। यह कैसे काम करता है, इसे सरल तरीके से यहाँ समझाया गया है:

1. पुराना तरीका बनाम नया तरीका

पुराना तरीका (Pairwise): कल्पना कीजिए कि आप दो लोगों के बीच रेखाएं खींच रहे हैं जो एक-दूसरे को जानते हैं। यदि आप केवल जोड़ियों (pairs) के बीच रेखाएं खींचते हैं, तो आप इस तथ्य को मिस कर देते हैं कि दोस्तों का एक पूरा समूह एक साथ घूम रहा हो सकता है। पारंपरिक मॉडल केवल बीमारियों की जोड़ियों को देखते हैं।
नया तरीका (Hypergraph): एक "ग्रुप चैट" की कल्पना करें। एक ग्रुप चैट में, एक संदेश (एक जोखिम कारक जैसे "धूम्रपान") एक ही समय में पांच अलग-अलग लोगों (बीमारियों) को प्रभावित कर सकता है। लेखक एक Hypergraph का उपयोग करते हैं, जो बीमारियों के लिए एक ग्रुप चैट की तरह है। एक एकल "हाइपरएज" (hyperedge) यानी एक समूह, बीमारियों के पूरे क्लस्टर को जोड़ता है जो एक विशिष्ट कारण साझा करते हैं।

2. यह पैटर्न कैसे खोजता है

कंप्यूटर भारी मात्रा में मेडिकल रिकॉर्ड्स (जैसे UK Biobank, जिसमें लगभग 3,00,000 लोगों का डेटा है) को देखता है। यह दो सवालों के जवाब देने की कोशिश करता है:

कौन सी बीमारियाँ अक्सर एक साथ चलती हैं?
कौन सा विशिष्ट जोखिम कारक (जैसे उम्र, धूम्रपान या आहार) उस विशिष्ट समूह को चला रहा है?

यह मॉडल इतना स्मार्ट है कि यह समझ सके कि एक बीमारी कई समूहों का हिस्सा हो सकती है। उदाहरण के लिए, "डिमेंशिया" (Dementia) "हृदय और रक्त" के ग्रुप चैट में हो सकता है (जो उम्र और रक्तचाप द्वारा संचालित है) और एक "मेटाबॉलिक" ग्रुप चैट में भी हो सकता है (जो मधुमेह और शराब द्वारा संचालित है)।

3. "रिपल्शन" नियम (अव्यवस्था को रोकने वाला टूल)

यदि आप कंप्यूटर को स्वतंत्र रूप से अनुमान लगाने देते हैं, तो वह आलसी हो सकता है और कह सकता है, "ओह, सब कुछ एक-दूसरे से जुड़ा हुआ है।" यह लगभग समान दिखने वाले 50 अलग-अलग समूह बना सकता है, जिनके नाम बस थोड़े अलग हैं। यह परिणामों को भ्रमित करने वाला और बेकार बना देता है।

लेखकों ने एक विशेष नियम जोड़ा है जिसे Repulsion Prior कहा जाता है। इसे एक सख्त लाइब्रेरियन की तरह समझें जो कहता है: "यदि आपके पास दो ऐसी बुकशेल्फ़ हैं जिनमें लगभग एक जैसी ही किताबें हैं, तो मैं एक को हटा दूँगा।"

यह कंप्यूटर को स्पष्ट और अद्वितीय समूह खोजने के लिए मजबूर करता है।
यह मॉडल को अनावश्यक और अव्यवस्थित स्पष्टीकरण बनाने से रोकता है।
यह सुनिश्चित करता है कि यदि "धूम्रपान" फेफड़ों की बीमारियों के एक समूह से जुड़ा है, तो यह गलती से पेट के अल्सर के समूह से तब तक नहीं जुड़ेगा जब तक कि किसी अलग, विशिष्ट मार्ग का मजबूत प्रमाण न हो।

4. "दुर्लभ" समस्या को संभालना

मेडिकल डेटा में, कुछ बीमारियाँ बहुत आम होती हैं (जैसे उच्च रक्तचाप), लेकिन कई बीमारियाँ बहुत दुर्लभ होती हैं (जो बहुत कम लोगों को प्रभावित करती हैं)।

समस्या: यदि आप अकेले किसी दुर्लभ बीमारी का अध्ययन करने की कोशिश करते हैं, तो आपके पास निश्चित होने के लिए पर्याप्त डेटा नहीं होता है। यह एक ऐसे शहर के मौसम का अनुमान लगाने जैसा है जहाँ आप केवल एक बार गए हैं।
समाधान: क्योंकि BHPI बीमारियों को एक साथ समूहित करता है, यह "शक्ति उधार" (borrow strength) ले सकता है। यदि "बीमारी A" दुर्लभ है लेकिन यह "बीमारी B" (जो आम है) के साथ एक समूह साझा करती है, तो मॉडल बीमारी B के डेटा का उपयोग बीमारी A को समझने में मदद के लिए करता है। यह दुर्लभ बीमारियों के लिए भविष्यवाणियों को बहुत अधिक स्थिर और विश्वसनीय बनाता है।

5. यह जानना कि यह क्या नहीं जानता

अधिकांश कंप्यूटर मॉडल आपको एक भविष्यवाणी देते हैं और ऐसा व्यवहार करते हैं जैसे वे 100% निश्चित हैं। यह मॉडल अलग है; यह विनम्र है।

यह अनिश्चितता (uncertainty) की गणना करता है। यह कह सकता है, "मुझे 90% यकीन है कि ये बीमारियाँ इस समूह में हैं, लेकिन मुझे इस दूसरी बीमारी के बारे में केवल 50% यकीन है।"
यह डॉक्टरों के लिए महत्वपूर्ण है। यह उन्हें बताता है, "हमें यहाँ एक पैटर्न मिला है, लेकिन सावधान रहें, डेटा थोड़ा अस्पष्ट है।"

परिणामों का सारांश

लेखकों ने नकली डेटा (जहाँ वे उत्तर जानते थे) और UK Biobank के वास्तविक डेटा पर इसका परीक्षण किया।

सटीकता (Accuracy): इसने मौजूदा सर्वोत्तम तरीकों के समान ही बीमारियों की भविष्यवाणी की।
खोज (Discovery): इसने सफलतापूर्वक उन छिपे हुए "ग्रुप चैट्स" (पथों/pathways) को खोज निकाला जो बीमारियों को उनके कारणों से जोड़ते हैं।
स्पष्टता (Clarity): इसने केवल नंबरों की सूची नहीं दी; इसने एक स्पष्ट मानचित्र दिया जो दिखाता है कि कौन से जोखिम कारक बीमारियों के विशिष्ट क्लस्टर्स को संचालित करते हैं।
दुर्लभ बीमारियाँ (Rare Diseases): यह अन्य तरीकों की तुलना में दुर्लभ बीमारियों की भविष्यवाणी करने में बहुत बेहतर था क्योंकि इसने उन्हें अकेले द्वीपों के रूप में नहीं देखा।

संक्षेप में, यह पेपर हमें मानव स्वास्थ्य को अलग-अलग समस्याओं की एक सूची के रूप में नहीं, बल्कि परस्पर जुड़े समूहों के एक जटिल जाल के रूप में देखने का एक तरीका देता है, जिससे हमें यह समझने में मदद मिलती है कि लोग वास्तव में क्यों बीमार होते हैं, जबकि हम इस बात के प्रति ईमानदार रहते हैं कि हम अपनी कहानियों के बारे में कितने निश्चित हैं।

तकनीकी सारांश: बेयसियन हाइपरग्राफ इन्फरेंस के माध्यम से लेटेंट रिस्क पाथवे का पृथक्करण

1. समस्या विवरण

इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स (EHR) एक जटिल मल्टी-डिजीज मॉडलिंग चुनौती प्रस्तुत करते हैं, जो दो प्राथमिक कठिनाइयोंों से प्रेरित है:

लॉन्ग-टेल डिजीज प्रिवैलेंस (Long-tail Disease Prevalence): जबकि कुछ क्रोनिक स्थितियाँ सामान्य हैं, अधिकांश बीमारियाँ दुर्लभ हैं, जो स्थिर और स्वतंत्र अनुमान के लिए अपर्याप्त डेटा प्रदान करती हैं।
जटिल, उच्च-क्रम की निर्भरताएँ (Complex, Higher-Order Dependencies): बीमारियाँ जोखिम कारकों को समान रूप से साझा नहीं करती हैं। विभिन्न जोखिम चालक (जैसे आयु बनाम धूम्रपान) बीमारियों को विशिष्ट, ओवरलैपिंग और अनिश्चित पथों (pathways) में व्यवस्थित करते हैं। मौजूदा मॉडल अक्सर इस संरचना को पकड़ने में विफल रहते हैं:
- स्वतंत्र मॉडल (जैसे लॉजिस्टिक रिग्रेशन): साझा संरचना को अनदेखा करते हैं, जिससे दुर्लभ परिणामों के लिए अनिश्चितता अंशांकन (uncertainty calibration) खराब हो जाता है।
- ब्लैक-बॉक्स मल्टी-टास्क मॉडल (जैसे न्यूरल नेटवर्क): जोखिम कारकों को एक ही लेटेंट स्पेस में उलझा देते हैं, जिससे विशिष्ट एटियोलॉजिकल पाथवे अस्पष्ट हो जाते हैं और व्याख्यात्मकता (interpretability) सीमित हो जाती है।
- स्ट्रक्चर्ड प्रोबेबिलिस्टिक मॉडल: अक्सर सभी कारकों में सहसंबंधों को एकत्रित करते हैं बजाय इसके कि वे जोखिम-कारक-विशिष्ट संगठन को अलग कर सकें, या वे आधुनिक EHR डेटासेट तक स्केल करने में संघर्ष करते हैं।

मुख्य चुनौती यह है कि बिना प्रेडिक्टिव परफॉर्मेंस से समझौता किए, जोखिम-कारक-विशिष्ट, ओवरलैपिंग लेटेंट संरचनाओं को सीखना, जबकि अनिश्चितता को स्पष्ट रूप से मापना।

2. कार्यप्रणाली: बेयसियन हाइपरग्राफ पाथवे इन्फरेंस (BHPI)

लेखक BHPI प्रस्तावित करते हैं, जो एक फ्रेमवर्क है जो मल्टी-डिजीज मॉडलिंग को एक बेयसियन हाइपरग्राफ का उपयोग करके लेटेंट, रिस्क-फैक्टर-मॉड्यूलेटेड डिजीज पाथवे की खोज के रूप में पुनर्गठित करता है।

2.1. मॉडल आर्किटेक्चर

लेटेंट हाइपरग्राफ रिप्रेजेंटेशन: बीमारियाँ नोड्स ( $V$ ) हैं, और पाथवे हाइपरएजेस ( $E$ ) हैं। मानक ग्राफों के विपरीत जहाँ किनारे (edges) जोड़ों को जोड़ते हैं, हाइपरएजेस बीमारियों के उपसमुच्चयों (subsets) को जोड़ सकते हैं, जो उच्च-क्रम के संबंधों की अनुमति देता है।
ऑब्जर्वेशन मॉडल: डिजीज आउटकम्स एक मल्टीवेरिएट लॉजिस्टिक मॉडल का पालन करते हैं जहाँ लीनियर प्रेडिक्टर $\tilde{\eta}_{i,v}$ में एक डिजीज-विशिष्ट बेसलाइन और रिस्क-फैक्टर प्रभाव शामिल होते हैं।
स्ट्रक्चर्ड फीचर इफेक्ट्स: डिजीज-विशिष्ट गुणांक $\beta_v$ को स्वतंत्र रूप से अनुमानित करने के बजाय, BHPI उन्हें हाइपरएज-लेवल प्रभावों ( $\mu_{j,e}$ ) से प्रेरित करता है:
$\beta_{j,v} = d_v^{-1} \sum_{e=1}^E H_{v,e} \mu_{j,e}$
जहाँ $H_{v,e}$ एक इंसिडेंस मैट्रिक्स है जो दर्शाता है कि क्या बीमारी $v$ पाथवे $e$ का हिस्सा है।
हायरार्किकल स्पैरसिटी (Hierarchical Sparsity): मॉडल हाइपरग्राफ संरचना को सीखने के लिए एक पदानुक्रमित प्रायिकता (hierarchical prior) का उपयोग करता है:
- अस्तित्व (Existence): बाइनरी इंडिकेटर्स $z_e$ निर्धारित करते हैं कि क्या एक हाइपरएज मौजूद है।
- सदस्यता (Membership): अस्तित्व की स्थिति में, बाइनरी इंडिकेटर्स $m_{v,e}$ डिजीज मेंबरशिप निर्धारित करते हैं।
- फीचर सिलेक्शन: स्पाइक-एंड-स्लैब प्रायर्स (Spike-and-slab priors) यह निर्धारित करते हैं कि कौन से रिस्क फैक्टर्स विशिष्ट हाइपरएजेस को प्रभावित करते हैं।

2.2. रिपल्शन प्रायर (The Repulsion Prior)

एक महत्वपूर्ण नवाचार रिपल्शन प्रायर है जिसे फीचर-हाइपरएज जुड़ाव पर लागू किया जाता है। यह अत्यधिक ओवरलैपिंग हाइपरएजेस के एक ही रिस्क फैक्टर के लिए चयन को दंडित करता है।

लक्ष्य: उस "लेटेंट स्ट्रक्चर कोलैप्स" को रोकना जहाँ कई रेडंडेंट हाइपरएजेस एक ही रिस्क फैक्टर की व्याख्या करते हैं।
तंत्र: यह एक पार्सिमोनियस (parsimonious), पहचान योग्य संरचना को प्रोत्साहित करता है जहाँ एक एकल रिस्क फैक्टर विशिष्ट, गैर-रेडंडेंट पाथवे को सक्रिय करता है, जबकि विभिन्न रिस्क फैक्टर्स को ओवरलैपिंग डिजीज समूहों को साझा करने की अनुमति देता है।

2.3. स्केलेबल स्ट्रक्चर्ड वेरिएशनल इन्फरेंस

नॉन-कंजुगेट लाइकलीहुड्स और हार्ड लॉजिकल कंस्ट्रेंट्स (जैसे, यदि एक हाइपरएज मौजूद नहीं है, तो उसके सदस्य मौजूद नहीं हो सकते) के कारण पोस्टीरियर इन्फरेंस चुनौतीपूर्ण है।

पोल्या-गामा ऑग्मेंटेशन (Polya-Gamma Augmentation): नॉन-कंजुगेट लॉजिस्टिक लाइकलीहुड को संभालने के लिए उपयोग किया जाता है, जिससे यह कंडिशनली गौसियन बन जाता है।
स्ट्रक्चर्ड वेरिएशनल फैमिली: स्टैंडर्ड मीन-फील्ड वेरिएशनल इन्फरेंस (VI) स्वतंत्रता की धारणा रखता है, जो हाइपरएज अस्तित्व, सदस्यता और प्रभाव के बीच तार्किक निर्भरता को तोड़ देता है। लेखक एक स्ट्रक्चर्ड VI एल्गोरिदम विकसित करते हैं जो इन कंडीशनल डिपेंडेंसीज़ (जैसे, $q(m_{v,e} | z_e)$ ) को स्पष्ट रूप से सुरक्षित रखता है।
रिपल्शन-अवेयर अपडेट्स: कोऑर्डिनेट एसेंट अपडेट्स हाइपरएजेस के अपेक्षित ओवरलैप को शामिल करने के लिए रिपल्शन प्रायर को लागू करते हैं, जिससे एक स्पार्स और इंटरप्रिटेबल लेटेंट टोपोलॉजी की खोज सुनिश्चित होती है।

3. मुख्य योगदान

फ्रेमवर्क: एक बेयसियन हाइपरग्राफ पाथवे इन्फरेंस फ्रेमवर्क का परिचय जो डिजीज पाथवे को विशिष्ट रिस्क फैक्टर्स द्वारा मॉड्यूलेटेड लेटेंट हाइपरएजेस के रूप में मॉडल करता है, जिससे उच्च-क्रम की ओवरलैपिंग संरचना की खोज संभव होती है।
एल्गोरिदम: एक स्केलेबल स्ट्रक्चर्ड वेरिएशनल इन्फरेंस एल्गोरिदम का विकास जो लॉजिकल डिपेंडेंसीज़ (अस्तित्व $\to$ सदस्यता $\to$ प्रभाव) को सुरक्षित रखता है और पहचान क्षमता (identifiability) के लिए रिपल्शन प्रायर को शामिल करता है, जो स्टैंडर्ड मीन-फील्ड एप्रोक्सिमेशन की सीमाओं को पार करता है।
वैलिडेशन: सिम्युलेटेड डेटा और UK बायोबैंक पर व्यापक मूल्यांकन, जो स्थिर पाथवे रिकवरी, दुर्लभ बीमारियों के लिए बेहतर अनुमान और बेहतर-कैलिब्रेटेड अनिश्चितता प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम

4.1. सिम्युलेटेड डेटा

प्रेडिक्टिव परफॉर्मेंस: BHPI ने अनुकूलित लॉजिस्टिक रिग्रेशन के तुलनीय (लगभग 75% AUC स्कोर) और ट्री-आधारित एवं मल्टी-लेबल बेसलाइन्स (जैसे, LightGBM, Classifier Chains) से बेहतर प्रदर्शन किया।
स्ट्रक्चरल रिकवरी: मॉडल ने ग्राउंड-ट्रुथ लेटेंट हाइपरग्राफ संरचना को सटीक रूप से रिकवर किया (हाइपरएज इंसिडेंस और रिस्क-फैक्टर एसोसिएशन के लिए AUC > 96%)।
एब्लेशन स्टडी: रिपल्शन प्रायर ( $\lambda=0$ ) को हटाने से प्रेडिक्टिव सटीकता पर महत्वपूर्ण प्रभाव नहीं पड़ा, लेकिन इससे रेडंडेंट, अस्थिर हाइपरएजेस उत्पन्न हुए। यह दिखाया गया कि प्रायर केवल प्रेडिक्शन के लिए ही नहीं, बल्कि पहचान क्षमता (identifiability) और व्याख्यात्मकता के लिए भी आवश्यक था।

4.2. UK बायोबैंक अनुप्रयोग

डेटासेट: $N \approx 277,291$ प्रतिभागी, 71 रिस्क फैक्टर्स, और 66 क्रोनिक डिजीज आउटकम्स (सामान्य से लेकर अत्यंत दुर्लभ तक)।
दुर्लभ बीमारी स्थिरता: BHPI ने लो-प्रिवैलेंस डिजीज के लिए मजबूत प्रदर्शन दिखाया, जिसने बेसलाइन्स को पीछे छोड़ दिया जो दुर्लभ-डिजीज शासन में उच्च विचरण (variance) और अस्थिरता प्रदर्शित करते हैं।
कैलिब्रेशन: BHPI ने उत्कृष्ट प्रेडिक्टिव कैलिब्रेशन (ECE < 0.01) प्राप्त किया, जो लॉजिस्टिक रिग्रेशन के तुलनीय है।
व्याख्यात्मकता (Interpretability):
- डिसेंटैंगलमेंट (Disentanglement): मॉडल ने विचलित (divergent) रिस्क पाथवे को सफलतापूर्वक अलग किया। उदाहरण के लिए, "धूम्रपान" को श्वसन रोगों (एम्फिसेमा, अस्थमा) और म्यूकोसल डैमेज (अल्सर) के लिए अलग-अलग पाथवे से जोड़ा गया, न कि एक सिंगल डेंस फैक्टर के रूप में।
- कन्वर्जेंस: इसने विषम डिजीज कॉन्टेक्स्ट को कैप्चर किया, जैसे कि "डिमेंशिया" का संवहनी (vascular), जेरियाट्रिक फ्रैलिटी, और मेटाबॉलिक-न्यूरोडीजेनेरेटिव पाथवे में एक साथ भाग लेना।
- पार्सिमनी (Parsimony): 60 कैंडिडेट हाइपरएजेस के साथ शुरू करने के बावजूद, पोस्टीरियर एक पार्सिमोनियस समाधान (~27 एक्टिव हाइपरएजेस) पर केंद्रित हुआ, जिसमें हाई पोस्टीरियर इंक्लूजन प्रोबेबिलिटीज (PIPs) ने प्रेडिक्टिव सिग्नल बनाए रखा।

5. महत्व और दावे

यह पेपर एक केंद्रीय महामारी विज्ञान संबंधी प्रश्न को संबोधित करता है: "एक दिए गए रिस्क फैक्टर के प्रभाव किस साझा डिजीज पाथवे के माध्यम से पड़ते हैं, और हम उस संरचना के बारे में कितने अनिश्चित हैं?"

ब्लैक बॉक्स से परे: डीप लर्निंग दृष्टिकोणों के विपरीत, BHPI एक इंटरप्रिटेबल, हायर-ऑर्डर स्ट्रक्चर प्रदान करता है जो यह स्पष्ट करता है कि विशिष्ट रिस्क फैक्टर्स कैसे डिजीज रिस्क को व्यवस्थित करते हैं, जो पेयरवाइज सहसंबंधों या उलझे हुए लेटेंट स्पेस से आगे जाता है।
अनिश्चितता का परिमाणन (Uncertainity Quantification): फ्रेमवर्क डिजीज ग्रुपिंग (पाथवे कंपोजिशन) और रिस्क-फैक्टर प्रभाव दोनों पर कैलिब्रेटेड पोस्टीरियर अनिश्चितता प्रदान करता है, जो दुर्लभ बीमारियों के लिए महत्वपूर्ण है जहाँ डेटा कम होता है।
स्केलेबिलिटी: स्ट्रक्चर्ड VI एल्गोरिदम मॉडल को बायोबैंक-आकार के डेटासेट (लाखों सैंपल) तक स्केल करने की अनुमति देता है, जबकि सैंपल्स और डायमेंशन्स के सापेक्ष लीनियर कम्प्यूटेशनल कॉम्प्लेक्सिटी बनाए रखता है।
क्लिनिकल उपयोगिता: विशिष्ट, रिस्क-फैक्टर-स्पेसिफिक पाथवे (जैसे, अल्कोहल के मेटाबॉलिक बनाम टॉक्सिक प्रभावों को अलग करना) को प्रकट करके, मॉडल एटियोलॉजिकल मैकेनिज्म की अंतर्दृष्टि प्रदान करता है जो मानक मल्टी-टास्क लर्निंग या स्वतंत्र मॉडलिंग में छिप जाते हैं।

लेखक निष्कर्ष निकालते हैं कि BHPI एक सिद्धांतपूर्ण दृष्टिकोण प्रदान करता है जो सांख्यिकीय दक्षता और स्ट्रक्चर्ड इंडक्टिव बायस के बीच संतुलन बनाता है, जिससे बड़े पैमाने के EHR डेटा में व्याख्या योग्य लेटेंट संरचनाओं की खोज संभव होती है।