[論文レビュー] tSPM+; a high-performance algorithm for mining transitive sequential patterns from clinical data

Jonas Hügel, Ulrich Sax+2 more|arXiv (Cornell University)|Sep 8, 2023

Data Mining Algorithms and ApplicationsComputer Science被引用数 3

ひとこと要約

tSPM+ は、パターンに期間を組み込むことで時系列順序パターンマイニングを拡張する高性能なアルゴリズムであり、tSPM に対して最大 980 倍の高速化と 48 倍のメモリ使用量削減を達成している。臨床データにおける推移的で期間に配慮した順序パターンの効率的同定を可能にし、WHO が定義する症状を用いて Post-COVID-19 患者の同定に応用された。

ABSTRACT

The increasing availability of large clinical datasets collected from patients can enable new avenues for computational characterization of complex diseases using different analytic algorithms. One of the promising new methods for extracting knowledge from large clinical datasets involves temporal pattern mining integrated with machine learning workflows. However, mining these temporal patterns is a computational intensive task and has memory repercussions. Current algorithms, such as the temporal sequence pattern mining (tSPM) algorithm, are already providing promising outcomes, but still leave room for optimization. In this paper, we present the tSPM+ algorithm, a high-performance implementation of the tSPM algorithm, which adds a new dimension by adding the duration to the temporal patterns. We show that the tSPM+ algorithm provides a speed up to factor 980 and a up to 48 fold improvement in memory consumption. Moreover, we present a docker container with an R-package, We also provide vignettes for an easy integration into already existing machine learning workflows and use the mined temporal sequences to identify Post COVID-19 patients and their symptoms according to the WHO definition.

研究の動機と目的

• 大規模な臨床データセットにおける既存の時系列パターンマイニングアルゴリズムの計算効率の低さと高いメモリ使用量を是正すること。
• tSPM アルゴリズムを拡張し、期間を順序パターンに統合することで、より意味のある臨床的時系列的関係を捉えること。
• 実世界の臨床機械学習ワークフローでの使用を想定したスケーラビリティとパフォーマンスの向上。
• Post-COVID-19 などの複雑な疾患表現型に関連する、推移的で期間依存のパターンの実用的同定を可能にすること。

提案手法

• tSPM アルゴリズムを拡張し、順序パターンに期間制約を追加することで、推移的で時間間隔に配慮したパターンのマイニングを可能にする。
• メモリ使用量の削減とパターン列挙の高速化を実現するため、最適化されたデータ構造とインデックスを導入する。
• 冗長な計算を回避し、実行時間を改善するためのプルーニングヒューリスティクスを用いた深さ優先探索戦略を採用する。
• 既存の ML パipラインへのシームレスな統合を可能にするために、R パッケージと Docker コンテナを備えたモジュラーなソフトウェアスタックを実装する。
• 候補パターンを効率的に表現・走査できるように、プレフィックスツリー（パトリシアトライ）構造を採用する。
• 臨床データセットを用いたベンチマークによる性能検証を行い、tSPM と比較して実行時間とメモリ消費量を評価する。

実験結果

リサーチクエスチョン

• RQ1 順序パターンに期間を統合することで、臨床データにおける時系列パターンマイニングの効率性とスケーラビリティが顕著に向上するか。
• RQ2 tSPM+ は、実行時間とメモリ使用量の点で、元の tSPM アルゴリズムをどの程度上回るか。
• RQ3 期間に配慮した順序パターンは、Post-COVID-19 などの臨床的関連表現型を効果的に同定できるか。
• RQ4 tSPM+ は、臨床データ分析のための既存の機械学習ワークフローにどの程度うまく統合できるか。
• RQ5 期間を伴う推移的パターンマイニングは、同定されたパターンの解釈可能性と臨床的妥当性にどのような影響を与えるか。

主な発見

• tSPM+ は、ベンチマーク用臨床データセットにおいて、元の tSPM アルゴリズム比で最大 980 倍の高速化を達成した。
• メモリ使用量は最大 48 倍まで削減され、大規模臨床データに対するスケーラビリティが顕著に向上した。
• 期間の統合により、WHO が定義する症状に基づく Post-COVID-19 に関連する臨床的に意味のある推移的シーケンスが同定可能になった。
• アルゴリズムは、患者コhortにおける長期にわたるウイルス後状態に関連する時間的症候パターンを効果的に同定した。
• 統合されたビニペットを備えた Docker 化された R パッケージにより、既存の機械学習および臨床データ分析パイプラインへの簡単なデプロイと統合が可能になった。
• 性能向上は、多様な臨床データワークロードにわたり一貫しており、堅牢性と一般化性を示した。