[論文レビュー] Modelling of Sickle Cell Anemia Patients Response to Hydroxyurea using Artificial Neural Networks

Brendan E. Odigwe, Jesuloluwa S. Eyitayo+2 more|arXiv (Cornell University)|Nov 25, 2019

Machine Learning in Healthcare参考文献 20被引用数 4

ひとこと要約

本研究では、122名の貧血患者から得られた22種類の血液由来パラメータを用いて、好細胞性貧血患者におけるヒドロキシアミノール（HU）反応を予測するためのディープニューラルネットワーク（DNN）モデルを開発した。このモデルは、HU療法後のヘモグロビンF（HbF）レベルを92.6％の正確さで予測し、個別化された治療意思決定を可能にするとともに、非反応者への不必要なかかわりを軽減する。

ABSTRACT

Hydroxyurea (HU) has been shown to be effective in alleviating the symptoms of Sickle Cell Anemia disease. While Hydroxyurea reduces the complications associated with Sickle Cell Anemia in some patients, others do not benefit from this drug and experience deleterious effects since it is also a chemotherapeutic agent. Therefore, to whom, should the administration of HU be considered as a viable option, is the main question asked by the responsible physician. We address this question by developing modeling techniques that can predict a patient's response to HU and therefore spare the non-responsive patients from the unnecessary effects of HU on the values of 22 parameters that can be obtained from blood samples in 122 patients. Using this data, we developed Deep Artificial Neural Network models that can predict with 92.6% accuracy, the final HbF value of a subject after undergoing HU therapy. Our current studies are focussing on forecasting a patient's HbF response, 30 days ahead of time.

研究の動機と目的

• 好細胞性貧困患者におけるヒドロキシアミノール（HU）反応を予測するバイオマーカーを同定すること。
• 治療開始前にHU効果を予測することで、非反応者における有害な影響を低減すること。
• 高い正確さでHU療法後のHbFレベルを予測できる機械学習モデルの開発。
• HbF反応を治療開始30日前に予測することで、好細胞性貧困における個別化医療を実現すること。
• 臨床的実用性を考慮し、22種類の日常的測定血液パラメータを入力特徴量として使用すること。

提案手法

• 122名の好細胞性貧血患者の臨床データを用いて、ディープニューラルネットワーク（DNN）をトレーニングした。
• 入力特徴量は、ヒドロキシアミノール療法開始前に採取された22種類の血液パラメータであった。
• モデルは、HU療法後の最終的ヘモグロビンF（HbF）レベルを予測するように最適化された。
• モデルの性能は、妥当性を確保するための10分割交差検証を用いて評価された。
• ベースラインパラメータとHbF反応の非線形関係を扱えるよう、アーキテクチャが設計された。
• 本研究では、モデルをさらに発展させ、HbFレベルを治療開始30日前に予測する方向に進展している。

実験結果

リサーチクエスチョン

• RQ1 好細胞性貧血患者におけるヒドロキシアミノール投与に対するHbF反応を最も強く予測するベースライン血液パラメータは何か？
• RQ2 日常的血液検査のみを用いて、ディープニューラルネットワークがHU療法後のHbFレベルを正確に予測できるか？
• RQ3 機械学習モデルは、非反応者へのヒドロキシアミノール投与リスクをどのように低減できるか？
• RQ4 モデルは、治療開始の30日前にHbF反応を予測できるか？
• RQ5 臨床バイオマーカーを用いたHbF反応予測に最適なモデルアーキテクチャは何か？

主な発見

• ディープニューラルネットワークモデルは、ヒドロキシアミノール療法後の最終的ヘモグロビンF（HbF）レベル予測において92.6％の正確さを達成した。
• モデルは、日常的測定の22変数からなるセットの中から、HU反応を予測する重要なベースライン血液パラメータを効果的に同定した。
• 10分割交差検証を通じて、高い汎化性能を示した。
• 本研究では、機械学習が治療開始前の血液データのみを用いてもHbF反応を効果的に予測可能であることを確認した。
• 現在のフレームワークは、臨床意思決定支援のため、HbF反応を治療開始30日前に予測する方向に拡張されている。
• 本アプローチは、好細胞性貧血における個別化治療計画に実現可能な道筋を提供する。