[논문 리뷰] Disease universe: Visualisation of population-wide disease-wide associations

Max Moldovan, Ruslan Enikeev외 4명|arXiv (Cornell University)|2013. 08. 12.

Data-Driven Disease Surveillance참고 문헌 19인용 수 6

한 줄 요약

이 논문은 전자 건강 기록(EHR)을 사용하여 인구 전체의 질병 공존 패턴을 力-방향 스프링 임베딩 그래프 시각화로 제안한다. 질병 공존의 로그-오즈 비율을 유클리드 거리로 변환함으로써, 이 방법은 http://disease-map.net에서 상호작용 가능한 지도를 생성하여 알려진 및 새로운 질병 연관성을 드러내며, 질환 간 공통된 병리 생물학적 메커니즘을 밝혀내는 시스템 생물학적 접근법을 제공한다.

ABSTRACT

We apply a force-directed spring embedding graph layout approach to electronic health records in order to visualise population-wide associations between human disorders as presented in an individual biological organism. The introduced visualisation is implemented on the basis of the Google maps platform and can be found at http://disease-map.net . We argue that the suggested method of visualisation can both validate already known specifics of associations between disorders and identify novel never noticed association patterns.

연구 동기 및 목표

• 전자 건강 기록(EHR)을 시스템 생물학적 접근법으로 사용하여 인간 질환 간 인구 전체의 연관성을 시각화하는 것.
• 기존에 알려진 바와 새로운 질병 공존 패턴(양성 및 음성 모두)을 식별하는 것.
• 통계적 가설 검정을 피하는 데이터 기반의 시각화 방법을 개발하여 원시 경험적 연관성을 보존하는 것.
• 대규모 질병 관계 탐색을 위한 상호작용 가능하고 개방형 액세스 플랫폼을 구축하는 것.
• 실제 세계의 건강 데이터를 사용하여 질환의 병존에 대한 향후 시스템 수준 분석의 기준이 되는 것.

제안 방법

• 질병 노드를 전자 건강 기록(EHR) 내 공존 빈도에 기반하여 力-방향 스프링 임베딩 알고리즘을 적용한다.
• 유클리드 거리 측정으로 로그-오즈 비율의 역수 expit 변환을 사용한다.
• 노드 쌍 간의 스프링으로 모델링하며, 자연 길이를 오즈 비율에서 유도하고, 거리에 따라 평형, 끌림 또는 밀림 힘이 발생한다.
• 모든 노드 쌍에 대해 잠재 에너지 U = ½ Σ (d_ij − δ̂_ij)² · κ_ij 를 최소화하여 안정된 공간 구성 상태를 찾는다.
• 후크의 법칙 원리를 활용하여 노드 간 물리적 힘을 시뮬레이션하고, 에너지를 줄이기 위해 반복적으로 위치를 조정한다.
• p-값과 신뢰구간을 회피하여 주관적인 통계 임계값 없이 원시 데이터 패턴을 보존한다.

실험 결과

연구 질문

• RQ1 대규모 EHR 데이터에서 인간 질환 간 양성 및 음성 공존 패턴은 무엇인가?
• RQ2 힘-방향 그래프 레이아웃이 인간이 이해할 수 있는 공간 형식으로 복잡하고 고차원적인 질병 연관성을 효과적으로 표현할 수 있는가?
• RQ3 이 방법이 임상 또는 유전학 문헌에서 이전에 인식되지 않았던 새로운 질병 연관성을 어느 정도 드러낼 수 있는가?
• RQ4 의료 시스템의 특성(예: 코딩 관행 등)은 EHR 기반 시각화에서 관찰된 질병 공존 패턴에 어떤 영향을 미치는가?
• RQ5 결과로 도출된 상호작용 가능한 지도가 시스템 생물학 및 임상 연구의 가설 생성 도구로 기능할 수 있는가?

주요 결과

• 시각화는 인구 전체의 질병 공존 패턴을 성공적으로 맵핑하여, 상호 긍정적으로 연관된 질병 군집을 드러낸다.
• 공존 오즈 비율이 높은 질병들은 그래프에서 더 가까이 배치되어 더 강한 경험적 연관성을 반영한다.
• 이 방법은 기존에 알려진 병존 질환뿐만 아니라 데이터에서 새로운 것으로 이전에 보고되지 않은 연관 패턴도 식별한다.
• EHR 데이터의 특성으로 인한 제약에도 불구하고, 여러 국소 최소값에서 일관된 노드 위치를 보이며 강건성을 보인다.
• http://disease-map.net에 제공되는 상호작용 가능한 지도는 통계적 필터링 없이도 공개 접근이 가능하고 확장 가능한 질병 관계 탐색 도구이다.
• 이 접근법은 p-값과 같은 주관적 임계값을 피하여 질병 공존의 전체 경험적 신호를 데이터에 그대로 유지한다.