[論文レビュー] Mixture Model Framework for Traumatic Brain Injury Prognosis Using Heterogeneous Clinical and Outcome Data

Alan D. Kaplan, Qi Cheng+13 more|arXiv (Cornell University)|Dec 22, 2020

Trauma and Emergency Care Studies参考文献 43被引用数 4

ひとこと要約

本論文は、欠損値を伴う多様な臨床的、バイオマーカー的、画像的、アウトカムデータを統合的にモデリングすることで、脳震とう（TBI）の予後予測を向上させるための生成的混合モデルフレームワークを提案する。TRACK-TBIパイロットデータセットを用いて、患者の異なるサブグループを同定し、ベースラインを上回るアウトカムの不確実性の低減を達成し、未観測の患者に対する尤度ベースのリスクスコアリングを可能にした。これにより、TBIにおける精密医療の向上が図られた。

ABSTRACT

Prognoses of Traumatic Brain Injury (TBI) outcomes are neither easily nor accurately determined from clinical indicators. This is due in part to the heterogeneity of damage inflicted to the brain, ultimately resulting in diverse and complex outcomes. Using a data-driven approach on many distinct data elements may be necessary to describe this large set of outcomes and thereby robustly depict the nuanced differences among TBI patients' recovery. In this work, we develop a method for modeling large heterogeneous data types relevant to TBI. Our approach is geared toward the probabilistic representation of mixed continuous and discrete variables with missing values. The model is trained on a dataset encompassing a variety of data types, including demographics, blood-based biomarkers, and imaging findings. In addition, it includes a set of clinical outcome assessments at 3, 6, and 12 months post-injury. The model is used to stratify patients into distinct groups in an unsupervised learning setting. We use the model to infer outcomes using input data, and show that the collection of input data reduces uncertainty of outcomes over a baseline approach. In addition, we quantify the performance of a likelihood scoring technique that can be used to self-evaluate the extrapolation risk of prognosis on unseen patients.

研究の動機と目的

• 人口統計、バイオマーカー、画像、縦断的アウトカムを含む多様で不均一なTBIデータタイプを統合的にモデリングする統一された確率的フレームワークの開発を目的とする。
• TBIデータセットにおける欠損データの課題に対処するため、欠損の原因を明示的にモデリングすることで、全患者を訓練中に含める。
• 多モodalデータの潜在的構造に基づき、生物学的および臨床的に意味のあるサブグループに未観測の患者を無作為に分類する。
• すべての利用可能なデータ要因を同時に活用することで、アウトカム予測の不確実性を低減する。
• 新規患者の予後の信頼性を評価するための尤度ベースのスコアリング手法を提供する。これは、その患者の入力データが訓練済みモデル分布にどの程度適合するかを測定することで実現する。

提案手法

• 潜在変数を用いて未観測の患者サブグループを表現する有限のガウス混合モデル（GMM）をフレームワークが採用する。
• 連続変数と離散変数の混合を扱うために、欠損データを周辺化することで対処する統合確率分布を用いる。
• 欠損データが尤度関数に明示的に組み込まれており、データの削除なしに完全尤度推定が可能である。
• モデルは、脳震とう後3か月、6か月、12か月のマルチモーダルデータを含むTRACK-TBIパイロットデータセット（n=586）上で、期待最大化（EM）アルゴリズムを用いて学習される。
• アウトカム予測は、条件付き推論：P(アウトカム | 入力データ) により実施され、アウトカムの完全な後方分布を用いる。
• 尤度スコアリング技術が導入され、新規患者の入力データが訓練済み分布と整合的かどうかを評価し、予後予測の信頼性を示す。

実験結果

リサーチクエスチョン

• RQ1 一括の生成的モデルが、人口統計、バイオマーカー、画像、臨床的アウトカムといった多様なTBIデータタイプを統合的に扱い、欠損値を効果的に処理できるか。
• RQ2 マルチモーダルTBIデータの統合的モデリングから、どのような潜在的患者サブグループが出現するか。また、それらは臨床的に解釈可能か。
• RQ3 全データ収集を用いることで、ベースラインや確率的予測と比較して、アウトカム予測の不確実性はどの程度低減されるか。
• RQ4 特に、そのデータが訓練集団と一致しない場合に、モデルの信頼性はどのように評価できるか。
• RQ5 モデルの尤度スコアが、臨床的予後における外挿リスクの代理指標として機能できるか。

主な発見

• モデルは、怪我の特徴とアウトカムに臨床的に意味のある差を示す3つの明確な患者サブグループを同定し、患者の分類を可能にした。
• 利用可能な全データ要因を活用することで、ベースラインと比較してアウトカム予測の不確実性が低減され、より高い診断的正確性が示された。
• 訓練済みモデル下での入力データの尤度が、予測の信頼性と相関していることが示された。尤度が低いほど、外挿のリスクが高くなる。
• 尤度スコアリングにより、点推定ではなく予測分布全体を考慮する期待絶対誤差（EAE）指標を用いたアウトカム予測の性能が向上した。
• 複数のアウトカム変数に対する同時推論が可能であり、別個のモデルを必要とせず、誤った関連性のリスクを低減した。
• 欠損データが存在する場合でも、欠損の原因を明示的にモデリングすることで、全利用可能なデータを用いて訓練されるため、堅牢な推論が可能となった。