[논문 리뷰] An Unsupervised Homogenization Pipeline for Clustering Similar Patients using Electronic Health Record Data

Alvaro Ulloa, Anna O. Basile외 6명|arXiv (Cornell University)|2017. 12. 30.

Machine Learning in Healthcare참고 문헌 8인용 수 5

한 줄 요약

이 논문은 전자 건강 기록(EHR) 데이터를 사용한 환자 군집화를 위한 비지도 동질화 파이프라인을 제안한다. 다중 보정 기반의 제거(MICE), 정규화, 특징 감소 기법을 통합한다. 최적의 파이프라인인 MICE와 국소 선형 임bedding(LLE) 또는 MICE와 Z-스코어 및 딥 오토에인코더(DAE)를 조합한 경우, 재현성, 이질성, 누락 데이터가 있는 시뮬레이션된 EHR 데이터에서 높은 군집 정확도를 달성하여 정밀의료 적용 분야에서 뛰어난 내성 확보를 보였다.

ABSTRACT

Electronic health records (EHR) contain a large variety of information on the clinical history of patients such as vital signs, demographics, diagnostic codes and imaging data. The enormous potential for discovery in this rich dataset is hampered by its complexity and heterogeneity. We present the first study to assess unsupervised homogenization pipelines designed for EHR clustering. To identify the optimal pipeline, we tested accuracy on simulated data with varying amounts of redundancy, heterogeneity, and missingness. We identified two optimal pipelines: 1) Multiple Imputation by Chained Equations (MICE) combined with Local Linear Embedding; and 2) MICE, Z-scoring, and Deep Autoencoders.

연구 동기 및 목표

• 이질적이고 완전하지 않으며 노이즈가 많은 EHR 데이터에서 환자 군집화 문제를 해결하기 위해.
• 이mputation, 정규화, 특징 감소, 군집화를 통합한 종합적인 비지도 동질화 파이프라인을 개발하고 검증하기 위해.
• 데이터의 복잡성에도 불구하고 생물학적으로 의미 있는 환자 군집을 탐지할 수 있는 가장 내성적인 파이프라인 구성 방식을 규명하기 위해.
• 정확도 평가를 위해 제어된 진실값을 가진 시뮬레이션된 EHR 데이터를 사용해 파이프라인 성능을 평가하기 위해.
• 실제 EHR 데이터셋에 적용 가능한 검증된 종단 간 프레임워크를 제공하기 위해.

제안 방법

• 세 개의 군집을 가진 시뮬레이션된 EHR 데이터를 생성하였으며, 투영을 통한 재현성, 양자화 및 스케일링을 통한 이질성, 가우시안 노이즈를 통한 노이즈를 추가하였다.
• 이mputation 기법으로는 중앙값 보정, k-최근접 이웃(KNN), 다중 보정 기반의 제거(MICE)를 시험하였으며, MICE가 최적으로 선정되었다.
• 정규화 방법으로는 Z-스코어, MinMax, Whitening을 평가하였으며, 최적의 DAE 파이프라인에서는 Z-스코어를 사용하였다.
• 특징 감소는 국소 선형 임bedding(LLE)과 딥 오토에인코더(DAE)를 사용하여 수행하였으며, 복원 오차를 기반으로 하이퍼파rameter를 튜닝하였다.
• 군집 성능 평가에는 재현성, 누락, 노이즈 수준이 다양하게 설정된 시뮬레이션된 데이터에서 조정된 랜드 지수(ARI)를 사용하였다.
• 파이프라인은 노이즈와 누락의 상호작용 효과까지 포함한 다양한 실험 조건에서 검증되어 내성성을 평가하였다.

실험 결과

연구 질문

• RQ1 누락된 EHR 데이터가 존재하는 상황에서 어떤 이mputation 방법이 가장 정확한 군집 결과를 도출하는가?
• RQ2 다른 정규화 및 특징 감소 기법은 이질적이고 재현성이 있는 EHR 데이터에서 군집 성능에 어떤 영향을 미치는가?
• RQ3 노이즈 및 누락 수준이 다양할 때 LLE와 DAE의 상대적 성능은 어떻게 다른가?
• RQ4 MICE, 정규화, 특징 감소를 통합한 통합 파이프라인이 개별 구성 요소보다 일관되게 뛰어난 성능을 보일 수 있는가?
• RQ5 데이터 품질 요소 간 상호작용(예: 노이즈와 누락)은 제안된 파이프라인의 내성성에 어떤 영향을 미치는가?

주요 결과

• MICE는 모든 특징 감소 기법에서 중앙값 보정 및 KNN보다 뛰어난 성능을 보였으며, 특히 높은 누락률과 재현성 조건에서 두각을 나타냈다.
• MICE와 국소 선형 임bedding(LLE)를 조합한 파이프라인이 가장 높은 군집 정확도를 달성하였으며, 중간 효과 크기와 고도의 무의미한 노이즈 조건에서 DAE보다 0.05~0.12 ARI 높은 성능을 보였다.
• MICE–Z-score–DAE 파이프라인은 뛰어난 성능을 보였고, 계산 효율성 면에서도 뛰어나 LLE의 O(nm) 대비 O(m log(k)n log(n))의 복잡도를 보였다.
• LLE는 1~5%의 샘플 오버랩을 가지는 세밀한 표현형에 더 민감하게 반응하여 잠재적인 질병 아형을 더 잘 탐지할 수 있었다.
• 상호작용 실험 결과, DAE와 LLE는 특정 노이즈 및 누락 조건에서 뚜렷한 성능 차이를 보였으며, DAE는 높은 누락률 조건에서 더 안정적인 성능을 보였다.
• 이 연구는 두 가지 최적 파이프라인을 규명하였다: MICE + LLE 및 MICE + Z-score + DAE로, 둘 다 다양한 데이터 품질 조건에서 뛰어난 내성성을 확보하였다.