[論文レビュー] A temporal model for multiple sclerosis course evolution

Samuele Fiorini, Andrea Tacchino+3 more|arXiv (Cornell University)|Jan 1, 2016

Multiple Sclerosis Research Studies参考文献 3被引用数 1

ひとこと要約

本論文では、患者が報告する結果測定指標（PROMs）を用いて、複数発症性硬化症（MS）の病状進行、特に再発寛解型（RR）から二次進行型（SP）への移行を予測する正則化された機械学習パイプラインを提案する。この手法は、診断のための二値分類とPROMsの時間的変化を扱うベクトル値回帰を組み合わせており、DETECT-MS PRO研究の実世界データにおいて、将来の病状進行予測で80.3％の一致率を達成した。

ABSTRACT

Multiple Sclerosis is a degenerative condition of the central nervous system that affects nearly 2.5 million of individuals in terms of their physical, cognitive, psychological and social capabilities. Researchers are currently investigating on the use of patient reported outcome measures for the assessment of impact and evolution of the disease on the life of the patients. To date, a clear understanding on the use of such measures to predict the evolution of the disease is still lacking. In this work we resort to regularized machine learning methods for binary classification and multiple output regression. We propose a pipeline that can be used to predict the disease progression from patient reported measures. The obtained model is tested on a data set collected from an ongoing clinical research project.

研究の動機と目的

• 現在、明確なバイオマーカーや基準が欠如しているため、多発性硬化症（MS）における再発寛解型（RR）から二次進行型（SP）への移行を予測するという、臨床的ギャップを埋めることを目的とする。
• 患者が報告する結果測定指標（PROMs）が、MS病状進行の予測に信頼できる指標として機能するかどうかを調査することを目的とする。
• 縦断的PROMsデータを用いた、データ駆動型で解釈可能な機械学習パイプラインの開発と妥当性評価を行い、MS進行の早期予後を提供することを目的とする。
• 低コストで患者に優しい評価に基づいて、早期の臨床的意思決定を支援する定量的意思決定支援システムの構築を目的とする。

提案手法

• パイプラインは二段階学習を採用する：まず、正則化された二値分類器（f）がPROMsデータを用いて病状進行（RR 対 SP）を予測する。
• 次に、混合L2,1-ノルム正則化を用いて縦断的データからPROMsの時間的変化を学習するベクトル値回帰モデル（g）を構築する。
• モデルは学習セット（t = 1 から T′ = 4 時間点）で訓練され、将来の時間点（t = 5 から 6）でテストされる。
• 最終的な予後モデル f ◦ g は、PROMsの変化（g）と病状診断（f）を組み合わせることで、将来の病状進行を予測する。
• 凸で微分可能な損失関数と微分不能な正則化ペナルティを伴う正則化最小化問題を解くために、近接勾配最適化が用いられる。
• L2,1-ノルム正則化は重み行列における行方向のスパarsityを促進し、予測に最も有用なPROMsのみを選択する。

実験結果

リサーチクエスチョン

• RQ1 患者が報告する結果測定指標（PROMs）は、再発寛解型から二次進行型へのMS移行を信頼性高く予測できるか？
• RQ2 縦断的PROMsデータからMS病状進行の進化を正確に、解釈可能かつ一般化可能な予測が可能な機械学習アプローチは何か？
• RQ3 分類とベクトル値回帰を組み合わせた二段階パイプラインは、単一モデルアプローチに比べて予測精度を向上させられるか？
• RQ4 PROMsデータは、MS進行予測において、明確な臨床的または画像診断バイオマーカーが欠如している状況で、どの程度補完的役割を果たせるか？

主な発見

• 提案されたパイプラインは、最終時間点（t = 6）における予測された病状進行と臨床的割り当て病状進行との間で80.3％の一致率を達成した。
• 病状診断のための二値分類モデルは、100回のモンテカルロ再サンプリングにおいて平均バランス精度80.0％（±1.0％）を達成した。
• L2,1-ノルム正則化による強力な特徴選択により、145個のPROMsのうち16個が病状進行予測に最も有用であると特定された。
• ベクトル値回帰モデルは、テスト患者のPROMsの時間的変化を効果的に予測し、正確な下流の予後評価を可能にした。
• 本システムは、明確な臨床バイオマーカーが欠如している状況においても、PROMsデータのみで信頼性の高い早期MS進行予測が可能であることを示した。
• 結果から、このパイプラインはMS管理における定量的意思決定支援ツールとして、臨床現場で活用可能である可能性を示唆している。