[논문 리뷰] Agglomerative Hierarchical Clustering Analysis of co/multi-morbidities

Shatrunjai P. Singh, Swagata Karkare외 2명|arXiv (Cornell University)|2018. 07. 11.

Chronic Disease Management Strategies참고 문헌 39인용 수 3

한 줄 요약

이 연구는 텍사스 환자 집단에서 임상적으로 유의미한 병변의 공존 패턴을 식별하기 위해 응집형 계층적 군집화를 적용한다. 전자 건강 기록 데이터를 사용하여, 생물학적으로 타당한 아홉 개의 별개의 공존 병변 군집이 드러났으며, 이는 대규모 건강 데이터에서 복잡한 다병변 패턴을 탐색하는 정량적 프레임워크를 제공한다.

ABSTRACT

Although co/multi-morbidities are associated with significant increase in mortality, the lack of appropriate quantitative exploratory techniques often impede their analysis. In the current study, we study the clustering of multimorbid patients in the Texas patient population. To this end we employ agglomerative hierarchical clustering to find clusters within the patient population. The analysis revealed the presence of nine distinct, clinically relevant clusters of co/multi-morbidities within the study population of interest. This technique provides a quantitative exploratory analysis of the co/multi-morbidities present in a specific population.

연구 동기 및 목표

• 대규모 환자 집단에서 공존/다병변을 분석하기 위한 정량적 탐색 방법의 부족을 해결하기 위해.
• 실제 세계 건강 데이터셋에서 공존하는 만성 질환의 의미 있는, 임상적으로 해석 가능한 군집을 식별하기 위해.
• 계층적 군집화가 다병변 데이터에서 숨겨진 패턴을 드러내는 도구로서의 유용성을 입증하기 위해.
• 임상 및 공중보건 연구를 지원하는 재현 가능하고 데이터 기반의 접근 방식을 제공하기 위해.

제안 방법

• 텍사스의 대규모 전자 건강 기록 데이터셋에 응집형 계층적 군집화를 적용하였다.
• 환자의 공존 병변 프로파일 간 유사도를 측정하기 위해 거리 척도(예: 유클리드 또는 자카르드)를 사용하였다.
• 유사도가 높은 군집을 반복적으로 병합하기 위해 연결 기준(예: 평균 연결 또는 워드 연결)을 적용하였다.
• 다이어그램 분석과 군집 구성의 수동 검토를 통해 군집의 안정성과 임상적 관련성을 검증하였다.
• 특정 질환의 유무를 나타내는 이진 벡터로 환자의 다병변 패턴을 표현하였다.
• 표준 군집 평가 기법을 사용하여 최적의 군집 수를 결정하여 아홉 개의 별개의 군집을 도출하였다.

실험 결과

연구 질문

• RQ1 대규모 실생활 환자 집단 내에서 어떤 별개의 공존/다병변 군집이 존재하는가?
• RQ2 계층적 군집화는 다병변에서 생물학적·임상적으로 의미 있는 패턴을 어떻게 드러낼 수 있는가?
• RQ3 식별된 군집은 임상적 맥락에서 안정적이고 해석 가능한가?
• RQ4 이 방법은 복잡한 다병변 데이터의 탐색적 분석을 위한 강력한 정량적 도구가 될 수 있는가?
• RQ5 텍사스 환자 코hort에서 임상적으로 관련성이 높은 공존 병변 군집의 최적 수는 얼마인가?

주요 결과

• 분석을 통해 텍사스 환자 집단 내에서 아홉 개의 별개의 임상적으로 관련성이 높은 공존 병변 군집이 식별되었다.
• 각 군집은 잠재적인 공통 병리생리학적 또는 행동적 기반을 가진 만성 질환의 고유한 조합을 나타내었다.
• 군집은 안정적이고 해석 가능하였으며, 당뇨병과 심혈관계 질환 또는 정신건강 장애와 대사 증후군의 조합과 같은 명확한 공존 병변 패턴을 보였다.
• 계층적 구조는 서로 다른 다병변 프로파일 간의 광범위한 및 세밀한 관계를 드러내었다.
• 이 방법은 복잡하고 고차원적인 공존 병변 데이터를 다룰 수 있고 의미 있는 분류 체계로 변환하는 데 성공하였다.
• 결과적으로 응집형 계층적 군집화가 대규모 건강 데이터셋에서 탐색적 다병변 분석을 위한 실현 가능하고 통찰력 있는 접근법임을 입증하였다.