[論文レビュー] Clinically Meaningful Comparisons Over Time: An Approach to Measuring Patient Similarity based on Subsequence Alignment

Dev Goyal, Zeeshan Syed+1 more|arXiv (Cornell University)|Mar 2, 2018

Chronic Disease Management Strategies参考文献 18被引用数 5

ひとこと要約

本稿では、病態的不一致を避けるために、最も関連性の高い縦断的データセグメントに焦点を当てることで、臨床的リスク分類を向上させる、部分列アラインメントに基づく患者類似度測定法を提案する。軽度認知障害（MCI）からアルツハイマー病（AD）への進行予測において、スナップショットモデルおよびグローバルアラインメントモデルを上回り、AUROC 0.839を達成した（スナップショット：0.812、グローバルアラインメント：0.822）。

ABSTRACT

Longitudinal patient data has the potential to improve clinical risk stratification models for disease. However, chronic diseases that progress slowly over time are often heterogeneous in their clinical presentation. Patients may progress through disease stages at varying rates. This leads to pathophysiological misalignment over time, making it difficult to consistently compare patients in a clinically meaningful way. Furthermore, patients present clinically for the first time at different stages of disease. This eliminates the possibility of simply aligning patients based on their initial presentation. Finally, patient data may be sampled at different rates due to differences in schedules or missed visits. To address these challenges, we propose a robust measure of patient similarity based on subsequence alignment. Compared to global alignment techniques that do not account for pathophysiological misalignment, focusing on the most relevant subsequences allows for an accurate measure of similarity between patients. We demonstrate the utility of our approach in settings where longitudinal data, while useful, are limited and lack a clear temporal alignment for comparison. Applied to the task of stratifying patients for risk of progression to probable Alzheimer's Disease, our approach outperforms models that use only snapshot data (AUROC of 0.839 vs. 0.812) and models that use global alignment techniques (AUROC of 0.822). Our results support the hypothesis that patients' trajectories are useful for quantifying inter-patient similarities and that using subsequence matching and can help account for heterogeneity and misalignment in longitudinal data.

研究の動機と目的

• 疾患進行速度にばらつきがある縦断的データにおいて、臨床的に意味のある患者間比較の課題に対処すること。
• 固定された時間的アラインメントを仮定するグローバルアラインメント技術の限界を克服し、病態的不一致を無視すること。
• フィデューシャルマーカーや専門家による部分列抽出を必要とせず、最も関連性の高い疾患経路セグメントに焦点を当てた、頑健な類似度測定法の開発。
• 現実の臨床現場における可変長で疎にサンプリングされた縦断的データを用いて、疾患進行のリスク分類を改善すること。
• MCIからADへの進行予測において、スナップショットベースおよびグローバルアラインメント手法に比べ、部分列マッチングが優れていることを実証すること。

提案手法

• 動的時系列変形（DTW）の原則に従い、最小コストアラインメント問題として患者類似度を定式化する。
• エンドポイント制約を緩和することで、DTWを部分列マッチングに適応させ、重複しないまたは部分的に重複する時系列のアラインメントを可能にする。
• 時間的長さやサンプリングレートが異なる患者間でも、最も臨床的に関連性の高いセグメントを特定する最適コストアラインメントアルゴリズムを用いる。
• 時系列の開始または終了における時間的アラインメントを必要とせず、部分列マッチングメトリクスを用いて対照的患者間類似度を計算する。
• 類似度測定法をk-NN分類器に統合し、疾患経路の形状に関する仮定を最小限に抑えながら、利用可能なすべての縦断的データを活用したリスク予測を実現する。
• フィデューシャルマーカーが存在しない任意の縦断的臨床データセットに、ハイパーパramータや専門家の入力を必要とせず、一般化可能なアプローチを提供する。

実験結果

リサーチクエスチョン

• RQ1 可変な疾患進行速度とサンプリングパターンを示す縦断的データにおいて、部分列アラインメントは患者類似度測定を向上させ得るか？
• RQ2 部分列マッチングは、グローバルアラインメントおよびスナップショットベースのモデルに比べ、アルツハイマー病への臨床的進行予測においてどのように優れているか？
• RQ3 縦断的データセグメントの時間的関連性が、リスク分類性能の向上に果たす役割は何か？
• RQ4 フィデューシャルマーカーが存在しない状況において、部分列アラインメントは、多様な経路をたどる患者間の臨床的に意味のある類似度を効果的に捉え得るか？
• RQ5 静的値ではなく、動的な変化（例：脳容量の低下）に焦点を当てることで、MCIからADへの進行予測性能が向上するか？

主な発見

• 部分列マッチング手法は、軽度認知障害（MCI）から可能性のあるアルツハイマー病への進行予測において、AUROC 0.839を達成し、スナップショットモデル（AUROC 0.812）を上回った。
• 部分列マッチングはグローバルDTWアラインメント（AUROC 0.822）に対しても有意に優れており、p < 0.01の有意差を示した。
• スナップショットモデルに対する性能向上の主な要因は、最終的な体積値が類似しているにもかかわらず、疾患進行に近い時期に海馬体積の著しい低下を示す患者を検出できたことに起因する。
• 性能向上は、5回以上の診察履歴（≥5 visits）を持つ患者において顕著であり、部分列マッチングが関連する低下パターンをよりよく捉えられていた。
• 部分列マッチングは、データの疎らさや可変なサンプリングレートに対してもより頑健であった。これは、全長アラインメントを必要とせず、最も関連性の高いセグメントに焦点を当てたためである。
• 本手法は、特に急激な低下を示す動的な変化が、静的ベースライン測定値よりも強い予測信号を有することが示された。