[논문 리뷰] Bayesian Double Feature Allocation for Phenotyping with Electronic Health Records

Yang Ni, Peter Müeller외 1명|arXiv (Cornell University)|2018. 09. 04.

Machine Learning in Healthcare참고 문헌 35인용 수 4

한 줄 요약

이 논문은 전자건강기록(EHR)에서 비정상적으로 기록되지 않은 잠재적 질병을 추론하기 위해 베이지안 이중 특징 할당(DFA) 모델을 제안한다. 이는 인디안 빵가게 과정(IBP)의 새로운 확장 방식을 통해 환자와 증상이 동시에 잠재적 질병에 할당되도록 한다. 이 방법은 기존 진단 정보와 증상-질병 연관성 등의 사전 지식을 통합하여 설명 가능하고 불확실성 인식이 가능한 잠재적 질병 추론를 가능하게 하였으며, 중국 EHR 데이터를 바탕으로 지질 이상, 빈혈, 감염 등 10개의 생물학적으로 타당한 잠재적 상태를 식별하였다.

ABSTRACT

We propose a categorical matrix factorization method to infer latent diseases from electronic health records (EHR) data in an unsupervised manner. A latent disease is defined as an unknown biological aberration that causes a set of common symptoms for a group of patients. The proposed approach is based on a novel double feature allocation model which simultaneously allocates features to the rows and the columns of a categorical matrix. Using a Bayesian approach, available prior information on known diseases greatly improves identifiability and interpretability of latent diseases. This includes known diagnoses for patients and known association of diseases with symptoms. We validate the proposed approach by simulation studies including mis-specified models and comparison with sparse latent factor models. In the application to Chinese EHR data, we find interesting results, some of which agree with related clinical and medical knowledge.

연구 동기 및 목표

• 기록되지 않은 잠재적 질병을 식별하기 위한 비지도 학습 방법을 개발한다. 이는 환자 간 공통적인 증상 패tern을 통해 나타나는 질병을 기반으로 한다.
• 기존의 군집화 및 인수분해 방법의 한계를 해결하기 위해 환자, 증상, 잠재적 질병 간의 겹치는 다대다 관계를 허용한다.
• 기존 진단 정보와 증상-질병 연관성 등의 사전 지식을 베이지안 프레임워크에 통합하여 잠재적 질병의 식별 가능성과 해석 가능성을 향상시킨다.
• 개별 환자에 대한 질병 확률 추정을 통해 환자 수준의 추론을 가능하게 하여 임상적 우선순위 설정과 의사결정 지원을 가능하게 한다.
• 후행 확률을 통한 불확실성 정량화를 제공하여, EM 기반 희소 잠재 요인 모델과 같은 빈도주의 대안과는 달리, 보다 정교한 추론을 가능하게 한다.

제안 방법

• 행(환자)과 열(증상)에 특징(잠재적 질병)을 동시에 할당하는 이중 특징 할당(DFA) 모델을 제안한다. 이는 범주형 EHR 행렬의 행과 열에 대해 특징을 동시에 할당한다.
• 잠재적 질병의 수가 알려져 있지 않고 유연하며, 겹치는 할당이 가능한 인도안 빵가게 과정(IBP)의 확장을 통해 환자 및 증상에 대해 비독립적 질병 할당을 가능하게 한다.
• 계층적 베이지안 모델을 사용하며, 기존 진단 정보와 증상-질병 연결 정보를 네트워크의 고정된 간선으로 표현하여 모델의 식별 가능성을 향상시킨다.
• 마르코프 체인 몬테카를로(MCMC)를 활용해 후행 추론을 수행하며, 증상-질병 관계의 후행 확률을 추정하고, 이는 시각화에서 선의 굵기로 표현된다.
• 지속적인 검사값을 정규 기준 범위를 고려해 이산화(예: 정상/비정상) 처리하여 노이즈와 이방성에 대한 민감도를 낮추고, 임상 기준을 반영한다.
• 결측치는 완전 무작위 결측(MCAR) 가정 하에 가능도 함수에서 생략함으로써 표준 행렬 완성 원리를 활용하여 처리한다.

실험 결과

연구 질문

• RQ1 라벨이 없는 진단 정보에 의존하지 않고도 베이지안 이중 특징 할당 모델이 EHR 데이터로부터 잠재적 질병을 효과적으로 추론할 수 있는가?
• RQ2 기존 진단 정보와 증상-질병 연관성 등의 사전 지식을 통합함으로써, 잠재적 질병의 구조에 대한 해석 가능성과 식별 가능성은 어떻게 향상되는가?
• RQ3 기존의 희소 잠재 요인 모델(SLFM)과 그래프 모델에 비해 DFA 모델은 다대다 관계를 어떻게 더 잘 포괄하는가?
• RQ4 실제 EHR 환경에서 모델의 잘못된 설정이나 노이즈가 많은 데이터 조건에서도 모델 성능은 어떻게 유지되는가?
• RQ5 모델은 임상적 우선순위 설정을 위해 유의미한 환자 수준의 질병 확률 추정과 함께 불확실성 정량화를 제공할 수 있는가?

주요 결과

• DFA 모델은 중국 EHR 데이터에서 지질 이상, 혈소판감소증, 적성증, 빈혈, 세균성 및 바이러스성 감염, 알레르기, 영양실조 등 10개의 잠재적 질병을 성공적으로 식별하였으며, 이는 임상 지식과 일치하는 바가 많았다.
• 모델이 추론한 신장 기능 이상 유병률은 지역 평균과 유사했지만 略로 높게 나타나 실제 임상 상황과 타당하게 일치함을 시사했다.
• 증상-질병 관계의 후행 확률은 선의 굵기로 표현되어 불확실성 인식이 가능한 추론이 가능했으며, 더 강한 연관성은 두꺼운 선으로 나타나 점 추정치보다 더 세밀한 해석이 가능했다.
• SLFM에 비해 환자 수준의 추론에서 우수한 성능을 보였으며, SLFM는 개별 환자-질병 확률 추정을 지원하지 않아 임상 적용에 있어 중요한 단점이 있었다.
• 공동 몬테카를로 알고리즘을 통해 15,000명의 대규모 데이터셋에서도 5분 이내에 확장 가능한 추론이 가능했으며, 소규모 데이터셋에서 MCMC 성능과 유사한 결과를 보였다.
• 지속적인 검사값의 이산화 처리로 노이즈와 이방성에 대한 저항성이 향상되었고 임상 기준 범위도 반영되었지만, 카테고리 수가 너무 적을 경우 정보 손실가능성이 있었다.