[논문 리뷰] On the analysis of personalized medication response and classification of case vs control patients in mobile health studies: the mPower case study

Elias Chaibub Neto, Thanneer M. Perumal외 4명|arXiv (Cornell University)|2017. 06. 29.

Mental Health Research Topics참고 문헌 19인용 수 17

한 줄 요약

이 논문은 종단적 스마트폰 센서 데이터를 활용한 모바일 헬스 연구에서 개인 맞춤 약물 효과와 시각 시간 요동 요인을 통계적 방법으로 분리하는 방법을 제안한다. 참가자별 센서 패턴이 디지털 지문으로 작용하여 데이터 유출이 발생할 경우 분류기 성능이 과도하게 높아지므로, 케이스/컨트롤 분류에 대해 참가자별 데이터 분할이 필요함을 입증한다.

ABSTRACT

In this work we provide a couple of contributions to the analysis of longitudinal data collected by smartphones in mobile health applications. First, we propose a novel statistical approach to disentangle personalized treatment and "time-of-the-day" effects in observational studies. Under the assumption of no unmeasured confounders, we show how to use conditional independence relations in the data in order to determine if a difference in performance between activity tasks performed before and after the participant has taken medication, are potentially due to an effect of the medication or to a "time-of-the-day" effect (or still to both). Second, we show that smartphone data collected from a given study participant can represent a "digital fingerprint" of the participant, and that classifiers of case/control labels, constructed using longitudinal data, can show artificially improved performance when data from each participant is included in both training and test sets. We illustrate our contributions using data collected during the first 6 months of the mPower study.

연구 동기 및 목표

• 종단적 모바일 헬스 데이터에서 개인 맞춤 약물 효과와 시계리듬 또는 일상적인 루틴과 같은 혼란 요인을 통계적 프레임워크로 구분하는 것.
• 스마트폰 센서 데이터의 참가자별 디지털 지문으로 인해 분류기 성능이 과도하게 높아지는 위험을 다루는 것.
• 훈련 및 테스트 세트 간 데이터 유출을 방지하여 질병 분류 모델의 유효한 평가를 보장하는 것.
• 파킨슨병에 초점을 맞춰 mPower 연구의 실제 데이터에 이 방법을 적용하고 검증하는 것.
• 개인 맞춤 치료 반응과 종단적 센서 데이터를 포함한 모바일 헬스 연구에 일반화 가능한 접근법을 제공하는 것.

제안 방법

• 선형 회귀 모델을 통한 t-검정을 통한 조건부 독립성 검정을 통해 약물 투여 전후의 성능 차이가 치료 효과인지 시각 시간 효과인지 평가하는 데 사용한다.
• 종단적 데이터의 잔차 자기상관을 보정하기 위해 Newey-West 이종분산 및 자기상관 일관성(HAC) 공분산 추정기를 적용한다.
• 특징별 p-값을 통합하여 치료 효과 및 시각 시간 효과에 대한 단일 종합 검정을 수행하기 위해 유니언-인터섹션 검정 절차를 사용한다.
• 치료 효과와 시각 시간 효과를 예측변수로 모델링하고, 스마트폰 작업 성능(예: 탭, 음성, 보행)에서 유도된 결과 변수를 사용한다.
• 디지털 지문 아티팩트로 인한 데이터 유출을 방지하기 위해 참가자별 훈련/테스트 세트 분할을 구현한다.
• 수정된 p-값을 사용한 회귀 모델을 통해 약물 반응과 질병 발병 연도 간의 연관성을 평가한다.

실험 결과

연구 질문

• RQ1 종단적 모바일 헬스 데이터에서 약물 효과와 시각 시간 효과를 통계적으로 분리할 수 있는가?
• RQ2 시계리듬 또는 일상적인 루틴이 모바일 헬스 연구에서 개인 맞춤 치료 반응 평가를 얼마나 심각하게 혼란스럽게 하는가?
• RQ3 참가자별 센서 패턴(디지털 지문)이 모바일 헬스 응용 프로그램에서 케이스/컨트롤 분류기 성능에 어떤 영향을 미치는가?
• RQ4 참가자의 데이터가 훈련 및 테스트 세트 양쪽에 모두 포함되는 데이터 유출이 종단적 모바일 헬스 연구에서 분류기 정확도에 어떤 영향을 미치는가?
• RQ5 시간대 혼란 요인을 고려하여 개인 맞춤 약물 반응을 평가할 수 있는 통합 통계 프레임워크를 개발할 수 있는가?

주요 결과

• 제안된 방법은 mPower 참가자 중 일부에서 유의미한 약물 효과를 성공적으로 식별하였으며, 특히 탭 및 음성 작업에서 두드러졌다.
• 시각 시간 효과는 다른 참가자 집단에서 유의미하게 나타났으며, 이는 시계리듬이 치료 반응 평가를 혼란스럽게 할 수 있음을 시사한다.
• 참가자별 데이터 분할이 시행되지 않은 상태에서는 디지털 지문 현상으로 인해 분류기 성능이 인위적으로 과도하게 높아졌지만, 참가자별 분할을 시행한 후에는 성능이 크게 하락하였다.
• 유니언-인터섹션 검정 절차는 다수의 특징과 참가자 간의 증거를 효과적으로 통합하여 개인 맞춤 치료 반응의 강력한 탐지가 가능하게 하였다.
• 종단적 데이터의 잔차 자기상관은 p-값을 왜곡시키는 것으로 나타났지만, Newey-West HAC 추정기를 사용한 보정으로 유효한 추론이 복구되었다.
• 약물을 빨리 시작한 참가자들은 더 강한 약물 효과와의 연관성을 보였으며, 이는 잠재적인 시간에 따라 변화하는 반응 패턴을 시사한다.