[논문 리뷰] Identifying TBI Physiological States by Clustering Multivariate Clinical Time-Series Data

Hamid Ghaderi, Brandon Foreman외 4명|PubMed|2023. 03. 23.

Traumatic Brain Injury and Neurovascular Disturbances참고 문헌 19인용 수 6

한 줄 요약

이 연구는 다변량 임상 시간열 데이터에 대해 보간 또는 집계 없이 시간적 연속성을 유지하는 자기지도 클러스터링 방법인 SLAC-Time를 제안한다. TBI 데이터에 적용하여 고유한 특징 프로파일을 가진 세 가지의 구분되는 생리적 상태를 식별하였으며, 전문가 검토 및 클러스터링 지표를 통해 검증되었으며, 임상 이벤트가 상태 전이에 미치는 영향을 드러냈다.

ABSTRACT

Determining clinically relevant physiological states from multivariate time-series data with missing values is essential for providing appropriate treatment for acute conditions such as Traumatic Brain Injury (TBI), respiratory failure, and heart failure. Utilizing non-temporal clustering or data imputation and aggregation techniques may lead to loss of valuable information and biased analyses. In our study, we apply the SLAC-Time algorithm, an innovative self-supervision-based approach that maintains data integrity by avoiding imputation or aggregation, offering a more useful representation of acute patient states. By using SLAC-Time to cluster data in a large research dataset, we identified three distinct TBI physiological states and their specific feature profiles. We employed various clustering evaluation metrics and incorporated input from a clinical domain expert to validate and interpret the identified physiological states. Further, we discovered how specific clinical events and interventions can influence patient states and state transitions.

연구 동기 및 목표

• 외상성 뇌손상(TBI) 환자에서 다변량 시간열 데이터로부터 임상적으로 관련성이 있는 생리적 상태를 식별하기 위해.
• 임상 모니터링 데이터의 시간 패턴을 왜곡하는 전통적 보간 또는 집계 방법의 한계를 해결하기 위해.
• 데이터 무결성을 유지하면서 급성 환자 상태의 의미 있는 클러스터링을 가능하게 하는 자기지도 접근법을 개발하기 위해.
• 임상 전문가의 해석과 클러스터링 평가 지표를 통해 식별된 생리적 상태를 검증하기 위해.
• 임상 간병 및 이벤트가 생리적 상태 간 전이에 미치는 영향을 탐색하기 위해.

제안 방법

• 이 연구는 다변량 시간열 클러스터링을 위한 자기지도 기반 알고리즘인 SLAC-Time을 활용한다. 이는 데이터 보간 또는 집계 없이 설계되었다.
• SLAC-Time는 시간 세그먼트 간의 대조를 통해 표현을 학습함으로써 원래의 데이터 구조를 유지하고, 결측치를 자연스럽게 처리한다.
• 이 방법은 임상 시간열에 최적화된 대조 학습 프레임워크를 사용하여 시간열 데이터를 고유한 생리적 상태로 클러스터링한다.
• 클러스터링 결과는 여러 지표(예: 실루엣 점수, Calinski-Harabasz 지수)를 사용하여 평가되어 강건성을 확보한다.
• 임상 분야 전문가가 식별된 상태의 해석 가능성과 임상적 관련성을 검토한다.
• 상태 전이 분석은 기록된 임상 이벤트 및 간병 조치와 연관지어 수행되어 그 영향력을 평가한다.

실험 결과

연구 질문

• RQ1 보간 또는 집계 없이 다변량 TBI 시간열 데이터에서 어떤 고유한 생리적 상태를 식별할 수 있는가?
• RQ2 식별된 생리적 상태들은 임상적 특징 프로파일 측면에서 어떻게 상이한가?
• RQ3 임상 이벤트 및 간병 조치가 이러한 생리적 상태 간 전이에 얼마나 큰 영향을 미치는가?
• RQ4 임상 전문가의 검토를 통해 평가했을 때 클러스터링 결과는 얼마나 강건하고 해석 가능할까?
• RQ5 자기지도 표현 학습이 급성 간호 환경에서 의미 있는 생리적 상태를 효과적으로 포착할 수 있는가?

주요 결과

• SLAC-Time는 보간 또는 집계 없이 다변량 시간열 데이터를 활용하여 TBI 환자에서 세 가지의 고유한 생리적 상태를 성공적으로 식별하였다.
• 식별된 세 상태는 전문가 검토를 통해 검증된 고유하고 임상적으로 해석 가능한 특징 프로파일을 보였다.
• 실루엣 점수 및 Calinski-Harabasz 지수를 포함한 클러스터링 평가 지표들이 식별된 클러스터의 강건성을 확인했다.
• 약물 투여 및 간병 조치와 같은 임상 이벤트가 생리적 상태 간 전이에 뚜렷한 영향을 미치는 것으로 확인되었다.
• 자기지도 접근법은 시간적 역동성을 유지하고 전통적인 보간 기반 클러스터링보다 의미 있는 환자 상태를 더 잘 포착하였다.
• 본 연구는 SLAC-Time가 중증 관리 데이터에서 생리적으로 관련성이 있는 상태를 발견할 수 있음을 보여주며, 개인화된 치료 계획 수립을 지원한다.