[논문 리뷰] Clinically Meaningful Comparisons Over Time: An Approach to Measuring Patient Similarity based on Subsequence Alignment

Dev Goyal, Zeeshan Syed외 1명|arXiv (Cornell University)|2018. 03. 02.

Chronic Disease Management Strategies참고 문헌 18인용 수 5

한 줄 요약

이 논문은 병리생리학적 비일치를 피하고 가장 관련성이 높은 종단적 데이터 세그먼트에 집중함으로써 임상적 위험 분류를 향상시키는 서브시퀀스 정렬 기반 환자 유사도 측정법을 제안한다. 경과가 경도 인지 장애에서 알츠하이머병으로 진행되는 것을 예측할 때 스냅샷 모델 및 글로벌 정렬 모델보다 뛰어난 성능을 보이며, AUROC 0.839를 기록하였다.

ABSTRACT

Longitudinal patient data has the potential to improve clinical risk stratification models for disease. However, chronic diseases that progress slowly over time are often heterogeneous in their clinical presentation. Patients may progress through disease stages at varying rates. This leads to pathophysiological misalignment over time, making it difficult to consistently compare patients in a clinically meaningful way. Furthermore, patients present clinically for the first time at different stages of disease. This eliminates the possibility of simply aligning patients based on their initial presentation. Finally, patient data may be sampled at different rates due to differences in schedules or missed visits. To address these challenges, we propose a robust measure of patient similarity based on subsequence alignment. Compared to global alignment techniques that do not account for pathophysiological misalignment, focusing on the most relevant subsequences allows for an accurate measure of similarity between patients. We demonstrate the utility of our approach in settings where longitudinal data, while useful, are limited and lack a clear temporal alignment for comparison. Applied to the task of stratifying patients for risk of progression to probable Alzheimer's Disease, our approach outperforms models that use only snapshot data (AUROC of 0.839 vs. 0.812) and models that use global alignment techniques (AUROC of 0.822). Our results support the hypothesis that patients' trajectories are useful for quantifying inter-patient similarities and that using subsequence matching and can help account for heterogeneity and misalignment in longitudinal data.

연구 동기 및 목표

• 이질적인 질환 진행 속도를 가진 종단적 데이터에서 임상적으로 의미 있는 환자 비교 문제를 해결한다.
• 고정된 시간 정렬을 가정하고 병리생리학적 비일치를 忽시하는 글로벌 정렬 기법의 한계를 극복한다.
• 기능적 마커나 전문가가 정의한 서브시퀀스 추출이 필요 없이 가장 관련성이 높은 질환 경과 세그먼트에 집중하는 강력한 유사도 측정법을 개발한다.
• 실제 임상 환경에서 길이가 변동되고 희소하게 샘플링된 종단적 데이터를 활용해 질환 진행 위험 분류를 향상시킨다.
• 경도 인지 장애에서 알츠하이머병으로의 진행을 예측할 때 서브시퀀스 매칭이 스냅샷 기반 및 글로벌 정렬 방법보다 뛰어나다는 것을 입증한다.

제안 방법

• 동적 시간 왜곡(DTW) 원리를 활용해 환자 유사도를 최소비용 정렬 문제로 공식화한다.
• 종료 지점 제약 조건을 완화시켜 DTW를 서브시퀀스 매칭에 적응시켜, 겹치지 않거나 부분적으로 겹치는 시계열 간의 정렬을 가능하게 한다.
• 데이터 길이와 샘플링 빈도가 다를 경우에도 가장 임상적으로 관련성이 높은 세그먼트를 식별하는 최적비용 정렬 알고리즘을 사용한다.
• 시간 시리즈의 시작 또는 끝에서 시간 정렬이 필요 없이, 쌍별 환자 유사도를 계산하기 위해 서브시퀀스 매칭 메트릭을 적용한다.
• 모든 가용한 종단적 데이터를 활용하면서 질환 경과 형태에 대한 가정을 최소화한 채, 위험 예측을 위해 k-NN 분류기와 유사도 측정법을 통합한다.
• 기능적 마커가 없는 어떤 종단적 임상 데이터셋에도 일반화 가능하며, 서브시퀀스 선택을 위한 초모수나 전문가 입력이 필요하지 않다.

실험 결과

연구 질문

• RQ1 길이가 변동되고 샘플링 패턴이 다른 종단적 데이터에서 서브시퀀스 정렬이 환자 유사도 측정을 향상시킬 수 있는가?
• RQ2 서브시퀀스 매칭은 알츠하이머병 진행 예측에서 글로벌 정렬 모델 및 스냅샷 기반 모델과 비교해 어떻게 성능을 냈는가?
• RQ3 종단적 데이터 세그먼트의 시간적 관련성이 위험 분류 성능 향상에 어떤 역할을 하는가?
• RQ4 기능적 마커가 없는 상황에서 서브시퀀스 정렬은 이질적인 경과를 가진 환자 간의 임상적으로 의미 있는 유사성을 효과적으로 포착할 수 있는가?
• RQ5 정적 값이 아닌 동적 변화(예: 뇌 부피 감소)에 집중함으로써 경도 인지 장애에서 알츠하이머병 진행 예측 성능이 향상되는가?

주요 결과

• 서브시퀀스 매칭 접근법은 경도 인지 장애에서 가능성이 있는 알츠하이머병으로의 진행 예측에서 AUROC 0.839를 기록하여 스냅샷 모델(AUROC 0.812)을 능가했다.
• 서브시퀀스 매칭은 글로벌 DTW 정렬 방식(AUROC 0.822)과도 비교해 통계적으로 유의미한 향상(유의수준 p < 0.01)을 보였다.
• 스냅샷 모델 대비 성능 향상의 주요 원인은, 동일한 최종 부피 값에도 불구하고 질병 진행 직전에 히포크암프 부피가 급격히 감소하는 환자를 탐지할 수 있었기 때문이었다.
• 성능 향상은 특히 5회 이상의 진료 기록을 가진 환자들에서 두드러졌으며, 이들은 서브시퀀스 매칭을 통해 관련성이 높은 감소 패tern을 더 잘 포착할 수 있었다.
• 서브시퀀스 매칭은 데이터 희소성과 변동하는 샘플링 빈도에 더 강건했으며, 전체 길이의 정렬이 필요하지 않고 가장 관련성 있는 세그먼트에 집중했기 때문이다.
• 이 방법은 특히 급격한 감소를 보이는 동적 변화가 정적 기초 측정값보다 더 강력한 예측 신호를 지닌다는 것을 입증했다.