[논문 리뷰] Patient similarity: methods and applications

Leyu Dai, He Zhu외 1명|arXiv (Cornell University)|2020. 12. 01.

Machine Learning in Healthcare참고 문헌 54인용 수 7

한 줄 요약

이 논문은 환자 유사성 분석의 방법과 응용을 검토하며, 이질적인 전자 건강 기록 및 '옴믹스' 데이터를 통합하여 정밀의료를 위한 환자 유사성 네트워크를 구축한다. 데이터 통합, 유사성 측정, 군집화 기법(예: K-means, 스펙트럴 군집화, 자기조직화 맵)을 개론하며, 뇌신생물, 당뇨병, 중환자실 사망률 예측과 같은 임상 적용 사례에서 질병 하위유형 분류 및 개인 맞춤 예측에의 응용을 보여준다.

ABSTRACT

Patient similarity analysis is important in health care applications. It takes patient information such as their electronic medical records and genetic data as input and computes the pairwise similarity between patients. Procedures of typical a patient similarity study can be divided into several steps including data integration, similarity measurement, and neighborhood identification. And according to an analysis of patient similarity, doctors can easily find the most suitable treatments. There are many methods to analyze the similarity such as cluster analysis. And during machine learning become more and more popular, Using neural networks such as CNN is a new hot topic. This review summarizes representative methods used in each step and discusses applications of patient similarity networks especially in the context of precision medicine.

연구 동기 및 목표

• 다양한 임상 및 분자 데이터를 활용하여 환자 유사성 분석을 정밀의료의 프레임워크로 체계화하기 위해.
• 이질적인 데이터 유형(예: EHR, 유전체학, 단백질체학)을 통합하여 통합된 유사성 표현으로 변환하는 데 도전하는 것.
• 유사성 네트워크를 통해 임상적으로 유의미한 환자 하위군을 식별하여 진단 및 치료 개인화를 향상시키기 위해.
• 목표 개인과 가장 유사한 환자 코hort을 활용하여 데이터 기반 임상 의사결정 지원을 가능하게 하기 위해.
• 확장 가능하고 정확한 환자 군집화를 위한 고급 군집화 및 표현 학습 기법을 탐색하기 위해.

제안 방법

• 이질적인 환자 데이터(연속형, 범주형, 이진형, 시간적 데이터)를 통합하기 위해 초기, 후기 또는 중간 단계의 데이터 통합 전략을 사용한다.
• 쌍별 환자 유사성 계산을 위해 유클리드 거리, 재공지수, 상관 기반 측정법과 같은 유사성 지표를 활용한다.
• 내부 군집 제곱합을 최소화함으로써 환자를 K개의 군집으로 분할하기 위해 K-means 군집화를 적용한다.
• 유사성 행렬의 고유값을 활용하여 차원을 감소시킨 후 군집화를 수행하는 스펙트럴 군집화를 사용한다.
• 자기조직화 맵(SOMs)을 사용하여 비지도 학습 기반의 위상 구조 유지 차원 감소 및 환자 유사성의 시각화를 수행한다.
• 비모수 군집화를 위해 최대 사후 확률 디리슈레 과정 혼합 모델을 사용하여 군집 수를 자동으로 추정한다.

실험 결과

연구 질문

• RQ1 어떻게 이질적인 임상 및 분자 데이터를 효과적으로 통합하여 의미 있는 환자 유사성 점수를 계산할 수 있는가?
• RQ2 생물학적 및 임상적으로 유의미한 환자 하위군을 식별하는 데 가장 효과적인 유사성 지표와 군집화 방법은 무엇인가?
• RQ3 환자 유사성 네트워크가 임상 환경에서 개인 맞춤 예측 모델을 얼마나 향상시킬 수 있는가?
• RQ4 비지도 및 준지도 학습 기법은 환자 군집화 및 이웃 식별을 어떻게 향상시킬 수 있는가?
• RQ5 정밀의료를 위한 확장 가능한 환자 유사성 네트워크를 구축하는 데 있어 핵심적인 기술적 및 데이터 관련 과제는 무엇인가?

주요 결과

• 환자 유사성 네트워크가 테모졸로omid에 더 잘 반응하고 예후가 유의미하게 더 좋은 뇌신생물 환자 하위군을 성공적으로 식별하였다.
• 환자 유사성 기반의 제2형 당뇨병 하위유형 분석을 통해 특정 유전자 돌연변이 및 동반 질환과 연관된 명확한 하위군을 규명하였다.
• K-means 및 스펙트럴 군집화가 임상 및 분자 프로파일을 기반으로 폐렴성 폐질환과 당뇨병 환자를 효과적으로 군집화하였다.
• 자기조직화 맵을 통해 환자 군집의 시각화와 복잡한 질환 데이터 내 위상적 관계를 파악할 수 있었다.
• 모델 훈련에 가장 유사한 환자들만을 사용함으로써 전역 모델 대비 중환자실 사망률 예측 정확도가 향상되었다.
• 디리슈레 과정 혼합 모델과 같은 비모수 군집화 방법이 사전 지정 없이 최적의 군집 수를 자동으로 결정하였다.