[논문 리뷰] Detecting early signs of depressive and manic episodes in patients with bipolar disorder using the signature-based model

Andrey Kormilitzin, Kate Saunders외 3명|arXiv (Cornell University)|2017. 08. 03.

Mental Health Research Topics참고 문헌 30인용 수 12

한 줄 요약

이 연구는 종단적 자기 보고된 기분 데이터를 사용하여 양극성 장애 환자에서 우울 및 유행 발작의 조기 징후를 탐지하기 위한 서명 기반 기계학습 모델을 제안한다. 4~50주 분량의 움직이는 창문을 분석함으로써, 모델은 우울 발작 예측에서 79.2%의 정확도와 유행 발작 예측에서 71.9%의 정확도를 달성하였으며, 기존의 기능 기반 모델보다 각각 최소 2.36%와 3.37% 높은 성능을 보였으며, 임상적 시간 시리즈에서 복잡한 시간 패턴을 포착하는 데에 본 방법의 우수성을 입증하였다.

ABSTRACT

Recurrent major mood episodes and subsyndromal mood instability cause substantial disability in patients with bipolar disorder. Early identification of mood episodes enabling timely mood stabilisation is an important clinical goal. Recent technological advances allow the prospective reporting of mood in real time enabling more accurate, efficient data capture. The complex nature of these data streams in combination with challenge of deriving meaning from missing data mean pose a significant analytic challenge. The signature method is derived from stochastic analysis and has the ability to capture important properties of complex ordered time series data. To explore whether the onset of episodes of mania and depression can be identified using self-reported mood data.

연구 동기 및 목표

• 실시간 자기 보고된 기분 데이터를 활용하여 양극성 장애 환자에서 우울 및 유행 발작의 조기 전조를 식별하기 위해.
• 서명 방법이 복잡하고 불규칙하게 샘플링된 기분 시간 시리즈에서 의미 있는 시간 패턴을 추출할 수 있는지 평가하기 위해.
• 기본적으로 수작업으로 설계된 기능(평균, 변동성, 누락 데이터)을 사용하는 전통적 기능 기반 모델과 비교하여 서명 기반 모델의 예측 성능을 평가하기 위해.
• 다양한 환자 집단(발작 빈도와 데이터 완전성 수준이 다름)에서 모델의 안정성과 일반화 능력을 평가하기 위해.
• 디지털 정신건강 모니터링을 위한 체계적이고 수학적으로 근거가 있는 기능 추출 방법의 실현 가능성을 탐색하기 위해.

제안 방법

• 움직이는 창 방법을 사용하여 k주 간격(k = 4, 6, 8, 12, 20, 50) 동안 자기 보고된 QIDS 및 ASRM 점수를 분석하여 시간 역동성을 포착하였다.
• 확률적 분석에서 유도된 서명 방법을 사용하여 각 창 내의 순서가 지정된 시간 시리즈에서 고차원 기능을 추출하였으며, 기분 경로의 경로 기반 성질을 인코딩하였다.
• 각 창이 향후 발작의 전조인지 예측하기 위해, 엘라스틱 넷 정규화를 적용한 두 개의 독립된 로지스틱 회귀 모델을 훈련시켰다.
• 모델은 서명 변환에서 유도된 세 가지 핵심 기능(기분 점수 평균, 연속 차이의 제곱근 평균(Rmssd), 누락 응답 수(MissRev))를 사용하였다.
• 안정적인 일반화 오차 지표를 추정하기 위해 100회 반복된 10겹 교차검증을 사용하여 모델 성능을 평가하였다.
• 수작업으로 선택된 세 가지 기능(평균, Rmssd, MissRev)만을 사용하는 기준 모델과 서명 기반 모델을 비교하여 점진적 향상 여부를 평가하였다.

실험 결과

연구 질문

• RQ1 서명 기반 방법은 전통적인 기능 기반 모델보다 자기 보고된 기분 데이터를 사용하여 양극성 장애 환자에서 우울 발작의 조기 징후를 더 정확하게 탐지할 수 있는가?
• RQ2 우울과는 다른 시간 역동성을 보이는 유행 발작의 발병을 동일한 접근 방식이 신뢰성 있게 예측할 수 있는가?
• RQ3 역사적 창의 길이(k주)가 우울 및 유행 발작에 대한 모델의 예측 정확도에 어떤 영향을 미치는가?
• RQ4 서명 방법은 단순한 통계 요약(예: 평균, 변동성, 누락 데이터) 기반 모델보다 민감도, 특이도 및 AUC 측면에서 더 뛰어난 성능을 보일 수 있는가?
• RQ5 모델의 성능이 다양한 환자 하위군과 데이터 완전성 수준에서 얼마나 안정적인가?

주요 결과

• 서명 기반 모델은 우울 발작 전조 예측에서 79.2%의 정확도, 76.9%의 민감도, 79.5%의 특이도, 78.6%의 양성 예측도 및 AUC 0.86을 기록하였다.
• 유행 발작의 경우 모델은 71.9%의 정확도, 73.3%의 민감도, 79.2%의 특이도, 77.1%의 양성 예측도 및 AUC 0.83을 달성하였다.
• 서명 기반 모델은 우울에 대해 최소 2.36%p, 유행에 대해 최소 3.37%p 높은 성능을 보이며 기준 모델을 유의미하게 뛰어넘었다(p < 0.001).
• 반복된 교차검증에서 모델의 성능이 안정적이었으며, 일반화 능력이 뛰어나고 과적합 위험이 낮음을 시사하였다.
• 서명 프레임워크 내에서 평균, Rmssd 및 MissRev 기능의 조합은 단일 기능보다 더 높은 예측 능력을 제공하였다.
• 앞서 일어날 발작에 가까운 간격일수록 완화 기간과 더 명확히 구분되었으며, 기분 경로에서 조기 패턴을 감지할 수 있음을 시사하였다.