[論文レビュー] Agglomerative Hierarchical Clustering Analysis of co/multi-morbidities

Shatrunjai P. Singh, Swagata Karkare+2 more|arXiv (Cornell University)|Jul 11, 2018

Chronic Disease Management Strategies参考文献 39被引用数 3

ひとこと要約

本研究では、テキサス州の患者集団における臨床的に有意義な共通疾患パターンを特定するために、凝集型階層的クラスタリングを適用した。電子的健康記録データを用いて、生物学的に妥当な9つの明確な共通疾患クラスタが同定され、大規模な健康データにおける複雑な多発疾患パターンを探索する定量的フレームワークを提供した。

ABSTRACT

Although co/multi-morbidities are associated with significant increase in mortality, the lack of appropriate quantitative exploratory techniques often impede their analysis. In the current study, we study the clustering of multimorbid patients in the Texas patient population. To this end we employ agglomerative hierarchical clustering to find clusters within the patient population. The analysis revealed the presence of nine distinct, clinically relevant clusters of co/multi-morbidities within the study population of interest. This technique provides a quantitative exploratory analysis of the co/multi-morbidities present in a specific population.

研究の動機と目的

• 大規模な患者集団における共通疾患の分析に向けた定量的探索的手法の不足に対処すること。
• 現実世界の健康データセットにおいて、意味のある、臨床的に解釈可能な共存慢性疾患のクラスタを同定すること。
• 階層的クラスタリングが多発疾患データにおける隠れたパターンを明らかにするツールとしての有効性を示すこと。
• 臨床および公衆衛生研究を支援する再現可能でデータ駆動型の多発疾患分析アプローチを提供すること。

提案手法

• テキサス州の大型電子的健康記録データセットに凝集型階層的クラスタリングを適用した。
• 患者の共通疾患プロファイル間の類似度を測るために、距離尺度（おそらくユークリッド距離またはジャカード係数）を用いた。
• 類似度の高いクラスタを段階的に統合するためのリンク性基準（例：平均リンクやウォード法）を採用した。
• デンドログラム解析およびクラスタ構成の手動レビューを通じて、クラスタの安定性と臨床的妥当性を検証した。
• 特定の疾患の有無／無しを示すバイナリーベクトルとして、患者の多発疾患パターンを表現した。
• 標準的なクラスタリング評価手法を用いて最適なクラスタ数を特定し、9つの明確なグループが得られた。

実験結果

リサーチクエスチョン

• RQ1 大規模で現実世界の患者集団内に、どのような明確な共通疾患クラスタが存在するか？
• RQ2 階層的クラスタリングは、多発疾患において生物学的および臨床的に意味のあるパターンをどのように明らかにできるか？
• RQ3 同定されたクラスタは臨床的文脈において安定的で解釈可能か？
• RQ4 この手法は、複雑な多発疾患データの探索的分析に耐えうる強固な定量的ツールとして機能できるか？
• RQ5 テキサス州の患者コhortにおいて、臨床的に関連性のある共通疾患クラスタの最適な数はいくつか？

主な発見

• 分析により、テキサス州の患者集団内で9つの明確で臨床的に有意義な共通疾患クラスタが同定された。
• 各クラスタは、共通の病態生理的または行動的背景を有する慢性疾患の独自の組み合わせを表していた。
• クラスタは安定的かつ解釈可能であり、糖尿病と循環器疾患、または精神疾患と代謝症候群の組み合わせといった明確な共通疾患パターンが確認された。
• 階層的構造により、異なる多発疾患プロファイル間の広範かつ細分化された関係が明らかになった。
• この手法により、複雑で高次元の共通疾患データが、管理可能で意味のある分類体系に変換された。
• 結果として、凝集型階層的クラスタリングが、大規模な健康データセットにおける多発疾患の探索的分析に実用的で洞察に満ちたアプローチであることが示された。