[論文レビュー] On the analysis of personalized medication response and classification of case vs control patients in mobile health studies: the mPower case study

Elias Chaibub Neto, Thanneer M. Perumal+4 more|arXiv (Cornell University)|Jun 29, 2017

Mental Health Research Topics参考文献 19被引用数 17

ひとこと要約

本論文は、縦断的スマートフォンセンサーデータを用いたモバイルヘルス研究において、個人に特有の薬物効果と時間帯の混同要因を統計的手法で分離する方法を提案する。参加者固有のセンサーパターンがデジタルフィンガープリントとして機能し、データ漏洩れが発生すると分類器の性能が著しく上昇することを示し、ケース/コントロール分類において参加者単位のデータ分割が不可欠であることを強調している。

ABSTRACT

In this work we provide a couple of contributions to the analysis of longitudinal data collected by smartphones in mobile health applications. First, we propose a novel statistical approach to disentangle personalized treatment and "time-of-the-day" effects in observational studies. Under the assumption of no unmeasured confounders, we show how to use conditional independence relations in the data in order to determine if a difference in performance between activity tasks performed before and after the participant has taken medication, are potentially due to an effect of the medication or to a "time-of-the-day" effect (or still to both). Second, we show that smartphone data collected from a given study participant can represent a "digital fingerprint" of the participant, and that classifiers of case/control labels, constructed using longitudinal data, can show artificially improved performance when data from each participant is included in both training and test sets. We illustrate our contributions using data collected during the first 6 months of the mPower study.

研究の動機と目的

• 縦断的mHealthデータにおける個人に特有の薬物効果と、概日リズムや日常的ルーティンによる混同要因を区別する統計的フレームワークの構築を目的とする。
• スマートフォンセンサーデータに参加者固有のデジタルフィンガープリントが存在する場合、データ漏洩れによって分類器の性能が誇張されるリスクに対処することを目的とする。
• 訓練データとテストデータの間でのデータ漏洩れを防ぐことで、疾患分類モデルの妥当な評価を保証することを目的とする。
• mPower研究の実世界データを用いて、パーキンソン病に焦点を当てて、本手法の適用と検証を実施することを目的とする。
• 個人の治療反応と縦断的センサーデータを含むモバイルヘルス研究に一般化可能なアプローチを提供することを目的とする。

提案手法

• 線形回帰モデルを用いたt検定による条件付き独立性の検定を用い、薬物投与前後での性能差が治療効果か時間帯効果かを評価する。
• 縦断的データにおける残差の自己相関を補正するため、Newey-Westの異分散性および自己相関適合（HAC）共分散推定法を適用する。
• 特徴ごとのp値を統合して、治療効果および時間帯効果の統合的検定統計量を生成するため、ユニオン・インターセクション検定手順を採用する。
• 治療効果と時間帯効果を予測変数としてモデル化し、タッピング、ボイス、歩行などのスマートフォンタスクのパフォーマンスから得られる従属変数を用いる。
• 分類モデルにおけるデジタルフィンガープリントアーティファクトに起因するデータ漏洩れを回避するため、参加者単位の訓練/テスト分割を実装する。
• 調整済みp値を用いた回帰モデルを用い、薬物反応と疾患発症年との関連を評価する。

実験結果

リサーチクエスチョン

• RQ1 縦断的モバイルヘルスデータにおいて、薬物効果と時間帯効果を統計的に分離することは可能か？
• RQ2 概日リズムや日常的ルーティンは、mHealth研究における個人に特有の治療反応の評価をどの程度混同させるか？
• RQ3 参加者固有のセンサーパターン（デジタルフィンガープリント）は、mHealthアプリケーションにおけるケース/コントロール分類器の性能にどのような影響を及えるか？
• RQ4 参加者のデータが訓練およびテストセットの両方に含まれるデータ漏洩れが、縦断的mHealth研究における分類器の精度に及ぼす影響は何か？
• RQ5 時間帯の混同要因を考慮しつつ、個人に特有の薬物反応を評価する統一された統計的フレームワークを構築することは可能か？

主な発見

• 提案手法は、mPower参加者のサブセットにおいて顕著な感受性薬物効果を有意に同定した。特にタッピングおよびボイスタスクで顕著であった。
• 時間帯効果は、別のサブセットの参加者において有意であった。これは、概日リズムが治療反応の評価を混同する可能性があることを示唆している。
• デジタルフィンガープリント現象により、参加者データが訓練およびテストセットの両方に含まれる場合、分類器の性能が著しく上昇したが、参加者単位の分割を適用すると性能が著しく低下した。
• ユニオン・インターセクション検定手順により、複数の特徴および参加者全体にわたる証拠を統合でき、個人に特有の治療反応の検出を強固に可能にした。
• 縦断的データにおける残差の自己相関がp値を歪めることを示したが、Newey-West HAC推定法による補正により、妥当な推論が回復された。
• 薬物投与を早期に開始した参加者では、有意な薬物効果と強い関連が認められた。これは、時間依存的な反応パターンの可能性を示唆している。