[論文レビュー] Patient Similarity Analysis with Longitudinal Health Data

Ahmed Allam, Matthias Dittberner+3 more|arXiv (Cornell University)|May 14, 2020

Machine Learning in Healthcare参考文献 145被引用数 7

ひとこと要約

本論文は、縦断的電子的健康記録（EHR）を用いた患者類似性分析の手法について包括的なレビューを提供し、多次元で時間的に解像度の高い臨床データに基づく患者の経路のクラスタリングに焦点を当てている。機械学習技術を活用したフレームワークを提案し、共有される疾患進行パターンを同定することで、個別化された予後予測や治療選択の可能性を示し、臨床意思決定の向上に寄与する可能性を示している。

ABSTRACT

Healthcare professionals have long envisioned using the enormous processing powers of computers to discover new facts and medical knowledge locked inside electronic health records. These vast medical archives contain time-resolved information about medical visits, tests and procedures, as well as outcomes, which together form individual patient journeys. By assessing the similarities among these journeys, it is possible to uncover clusters of common disease trajectories with shared health outcomes. The assignment of patient journeys to specific clusters may in turn serve as the basis for personalized outcome prediction and treatment selection. This procedure is a non-trivial computational problem, as it requires the comparison of patient data with multi-dimensional and multi-modal features that are captured at different times and resolutions. In this review, we provide a comprehensive overview of the tools and methods that are used in patient similarity analysis with longitudinal data and discuss its potential for improving clinical decision making.

研究の動機と目的

• 複雑で時間的に解像度の高い縦断的健康データから意味のある患者類似性パターンを同定するという課題に対処すること。
• 時間経過にわたる多様なモodal、多次元の患者経路を比較するための既存の計算手法をレビューすること。
• 類似性に基づく患者クラスタリングが、個別化された予後予測と治療選択をどのように支援できるかを検討すること。
• 縦断的患者類似性分析の臨床的潜在的可能性が意思決定をどのように改善できるかを強調すること。
• 分野におけるツール、技術、未解決の課題について体系的な概要を提供すること。

提案手法

• 本論文は、時系列モデリングや埋め込み手法を含む、縦断的健康データに特化した機械学習およびデータマイニング手法の範囲をレビューしている。
• 患者状態の時間的変化を捉えるために、時間的特徴表現の使用に重点を置いている。
• 次元削減とクラスタリングアルゴリズムを患者経路に適用し、共通のパターンを同定するアプローチを含む。
• 時間的解像度が異なる複数のモダリティのデータ（例：検査値、診断、処置）の統合について議論している。
• 動的時間ワープングや経路埋め込みなど、縦断的シーケンスに特化した距離計測法を用いた類似性計算を支援するフレームワークである。
• 臨床的解釈可能性と大規模EHRシステムへのスケーラビリティを考慮した、手法の評価が行われている。

実験結果

リサーチクエスチョン

• RQ1 どのようにして縦断的健康データにおける患者経路を効果的に表現・比較できるか？
• RQ2 類似した患者ジャーニーのクラスタを同定するのに最も適した機械学習手法は何か？
• RQ3 患者類似性分析は、臨床現場における個別化された予後予測をどのように改善できるか？
• RQ4 類似性分析のための多様なモダリティ、時間的に解像度の高いEHRデータをモデル化する際の主な課題は何か？
• RQ5 共通する疾患進行パターンをもつ患者をグループ化することの臨床的含意は何か？

主な発見

• 本レビューでは、縦断的患者類似性分析が、共通の予後を示す臨床的に意味のある疾患経路のクラスタを同定可能であると判明した。
• 動的時間ワープングやシーケンス埋め込みモデルなどの手法は、不規則にサンプリングされたデータにおいても時間的パターンを捉える可能性を示している。
• 多様なモダリティのEHRデータの統合は、単一のデータタイプに依存する手法と比較して、患者クラスタリングの精度を向上させるとされている。
• 類似性に基づく患者クラスタリングは、個々の健康予後や治療反応の予測をより正確に可能にする。
• 本アプローチは、標的介入のための患者サブグループを同定することで、精密医療の推進に貢献する可能性を有する。
• 進展は見られても、スケーラビリティ、解釈可能性、現実のEHRシステムにおける欠損データや異種データの取り扱いに関する課題は依然として残っている。