[論文レビュー] Phenotyping using Structured Collective Matrix Factorization of Multi--source EHR Data

Suriya Gunasekar, Joyce C. Ho+6 more|arXiv (Cornell University)|Sep 14, 2016

Tensor decomposition and applications参考文献 26被引用数 13

ひとこと要約

本論文は、診断、薬剤、検査結果などのマルチソースEHRデータを一括してモデル化する、制約付きでスパースな非負値行列分解（NMF）アプローチを用いた構造的で集約的な行列分解（CMF）フレームワークを提案する。この手法により、臨床的に解釈可能な表現型が抽出可能となり、人為的ラベルなしの教師なし学習でも、ベースラインモデルに比べて表現型の解釈可能性と性能が向上する。

ABSTRACT

The increased availability of electronic health records (EHRs) have spearheaded the initiative for precision medicine using data driven approaches. Essential to this effort is the ability to identify patients with certain medical conditions of interest from simple queries on EHRs, or EHR-based phenotypes. Existing rule--based phenotyping approaches are extremely labor intensive. Instead, dimensionality reduction and latent factor estimation techniques from machine learning can be adapted for phenotype extraction with no (or minimal) human supervision. We propose to identify an easily interpretable latent space shared across various sources of EHR data as potential candidates for phenotypes. By incorporating multiple EHR data sources (e.g., diagnosis, medications, and lab reports) available in heterogeneous datatypes in a generalized extit{Collective Matrix Factorization (CMF)}, our methods can generate rich phenotypes. Further, easy interpretability in phenotyping application requires sparse representations of the candidate phenotypes, for example each phenotype derived from patients' medication and diagnosis data should preferably be represented by handful of diagnosis and medications, ($5$--$10$ active components). We propose a constrained formulation of CMF for estimating sparse phenotypes. We demonstrate the efficacy of our model through an extensive empirical study on EHR data from Vanderbilt University Medical Center.

研究の動機と目的

• ラベル付き学習データや広範な臨床ルール設計を必要とせずに、マルチソースEHRデータから表現型を自動抽出すること。
• 異なるタイプのEHRデータ（例：バイナリ値、実数値、整数値）を統合的に統一された潜在空間に統合する課題に対処すること。
• スパース性の制約を課すことにより、各表現型が5〜10個の主要な臨床的要因で構成されることを保証することで、抽出された表現型の臨床的解釈可能性を向上させること。
• 専門家によるアノテーションを通じて、教師なしで得られた表現型の臨床的妥当性を評価し、既存のベースラインモデルを上回ることを示すこと。
• 迅速かつデータ駆動型の表現型探索を可能にするスケーラブルな教師なしフレームワークを構築し、精密医療の取り組みを支援すること。

提案手法

• 本手法は、複数のEHR行列（例：患者-診断、患者-薬剤）を同時に分解する制約付き集約的行列分解（CMF）フレームワークを採用し、共有の低ランク潜在要因を抽出する。
• 解釈可能性を確保するため非負値行列分解（NMF）の定式化を用い、各表現型が5〜10個の活性成分に限定されるように因子行列にスパース性制約を適用する。
• データ固有の重みを組み込んだ重み付きSiCNMFの変種を導入し、EHRソース間での異なるデータタイプや分布を適切に反映する。
• 再構成誤差とスパース性ペナルティを組み合わせた複合目的関数を最小化するための交互最適化スキームでモデルを学習する。
• 各EHRソースを適切な損失関数（例：ラボ値には二乗誤差、バイナリフラグにはベルヌーイ分布）を用いて別個の行列としてモデル化することで、異種データタイプの統合を実現する。
• 事後処理としてハードスパース性制約を適用し、臨床的解釈可能性を確保する。表現型は、少数の診断と薬剤の組み合わせとして表現される。

実験結果

リサーチクエスチョン

• RQ1 複数の異種EHRデータソースから、臨床的に意味のある表現型を表す統一的で教師なしの潜在空間を効果的に学習できるか？
• RQ2 因子化された表現型にスパース性を課すことにより、導出された表現型の解釈可能性と臨床的妥当性はどのように向上するか？
• RQ3 提案された構造的で集約的な行列分解は、標準NMFやMarbleのような既存のベースラインモデルに比べ、表現型の質と臨床的有用性において優れているか？
• RQ4 ラベル付きデータや専門家がアノテートしたルールを一切必要としない状況でも、本モデルは多様な患者集団に一般化できるか？
• RQ5 本モデルは、実世界のEHRシステムにおける欠損データやノイズに対して、どの程度のロバストネスを示すか？

主な発見

• 提案された重み付きSiCNMFモデルは、ベースラインモデルに比べて臨床的妥当性スコアで優れた性能を示し、専門家によるアノテーション結果は既知の疾患と高い整合性を示した。
• ドメインエキスパートによる評価では、モデルから得られた表現型は一貫して臨床的に意味のあるものと評価された。例として、虚血性心疾患に加え、ステロイド薬や降圧薬の併用が見られる組み合わせが挙げられた。
• スパース性制約の導入により、解釈可能性が顕著に向上し、各表現型が5〜10個の主要な臨床的要因で構成されることを保証した。
• 標準NMFおよびMarbleのテンソル分解ベースラインと比較して、本モデルは優れた性能を示し、フラットなデータからのテンソル近似ではなく、直接的な行列ベースのモデリングの利点を示した。
• 実証的結果から、本手法はEHRデータ内の複雑なマルチソースパターンを効果的に捉えており、教師なしでも生物学的に妥当な表現型を発見可能であることが示された。
• 予備のロバストネス分析から、欠損データやノイズの影響に対してもモデルの性能が維持されることが示され、実臨床環境における実用的妥当性が示唆された。