[논문 리뷰] Phenotyping using Structured Collective Matrix Factorization of Multi--source EHR Data

Suriya Gunasekar, Joyce C. Ho외 6명|arXiv (Cornell University)|2016. 09. 14.

Tensor decomposition and applications참고 문헌 26인용 수 13

한 줄 요약

이 논문은 진단, 약물, 검사 결과와 같은 다중 소스 전자건강기록(EHR) 데이터를 동시에 모델링하기 위해 제약 조건이 부여되고 희소한 비음수 행렬 분해(NMF) 방법을 사용하는 구조적 공동 행렬 분해(CMF) 프레임워크를 제안한다. 이는 임상적으로 해석 가능한 표현형을 추출한다. 이 방법은 인간의 레이블링 지도 없이도 희소성 제약을 부여하고 이질적인 데이터 소스를 활용함으로써 기준 모델 대비 표현형의 해석 가능성과 성능을 향상시킨다.

ABSTRACT

The increased availability of electronic health records (EHRs) have spearheaded the initiative for precision medicine using data driven approaches. Essential to this effort is the ability to identify patients with certain medical conditions of interest from simple queries on EHRs, or EHR-based phenotypes. Existing rule--based phenotyping approaches are extremely labor intensive. Instead, dimensionality reduction and latent factor estimation techniques from machine learning can be adapted for phenotype extraction with no (or minimal) human supervision. We propose to identify an easily interpretable latent space shared across various sources of EHR data as potential candidates for phenotypes. By incorporating multiple EHR data sources (e.g., diagnosis, medications, and lab reports) available in heterogeneous datatypes in a generalized extit{Collective Matrix Factorization (CMF)}, our methods can generate rich phenotypes. Further, easy interpretability in phenotyping application requires sparse representations of the candidate phenotypes, for example each phenotype derived from patients' medication and diagnosis data should preferably be represented by handful of diagnosis and medications, ($5$--$10$ active components). We propose a constrained formulation of CMF for estimating sparse phenotypes. We demonstrate the efficacy of our model through an extensive empirical study on EHR data from Vanderbilt University Medical Center.

연구 동기 및 목표

• 레이블이 없는 훈련 데이터나 광범위한 임상 규칙 엔지니어링 없이도 다중 소스 EHR 데이터로부터 표현형을 자동으로 추출하는 것.
• 이질적인 EHR 데이터 유형(예: 이진, 실수형, 정수형)을 통합된 잠재 공간에 통합하여 표현형을 위한 도전 과제 해결.
• 각 표현형이 오직 5~10개의 핵심 임상 구성 요소로만 표현되도록 희소성 제약을 적용하여 추출된 표현형의 임상적 해석 가능성 향상.
• 전문가의 주석을 통한 평가를 통해 비지도 학습 표현형의 임상적 관련성을 검증하고 기존 기준 모델 대비 우수성을 입증하는 것.
• 정밀의료 이니셔티브를 지원하기 위해 빠르고 데이터 기반의 표현형 탐색을 가능하게 하는 확장 가능한 비지도 프레임워크 개발.

제안 방법

• 이 방법은 다중 EHR 행렬(예: 환자-진단, 환자-약물)을 함께 분해하여 공유되는 저랭크 잠재 요인으로 분해하는 제약 조건이 부여된 공동 행렬 분해(CMF) 프레임워크를 사용한다.
• 가독성을 확보하기 위해 비음수 행렬 분해(NMF) 공식을 사용하며, 각 표현형이 5~10개의 활성 구성 요소로만 구성되도록 요인 행렬에 희소성 제약 조건을 적용한다.
• 데이터 유형과 분포의 다양성을 반영하기 위해 각 데이터 소스에 특화된 가중치를 포함한 가중치 부여된 SiCNMF 변형을 도입한다.
• 재구성 오차와 희소성 페널티를 포함하는 복합 목적 함수를 최소화하는 교대 최적화 방식으로 모델을 학습한다.
• 각 EHR 소스를 적절한 손실 함수(예: 검사값에는 제곱오차, 이진 플래그에는 베르누이 분포)를 사용해 별도의 행렬로 모델링함으로써 이질적인 데이터 유형을 지원한다.
• 후처리 단계에서 경직된 희소성 제약 조건을 적용하여 임상적 해석 가능성을 확보하며, 표현형은 소수의 진단과 약물 조합으로 표현된다.

실험 결과

연구 질문

• RQ1 다양한 이질적인 EHR 데이터 소스에서 효과적으로 통합된 비지도 잠재 공간을 학습하여 임상적으로 의미 있는 표현형을 표현할 수 있는가?
• RQ2 요인화된 표현형에 희소성 제약을 적용할 경우, 유도된 표현형의 해석 가능성과 임상적 관련성은 어떻게 향상되는가?
• RQ3 제안된 구조적 공동 행렬 분해가 기존 기준 모델(예: 표준 NMF 및 Marble)보다 표현형 품질과 임상적 유용성 측면에서 뛰어나게 되는가?
• RQ4 레이블이 없는 데이터나 전문가가 주석을 달지 않은 규칙 없이도 모델이 다양한 환자 집단에 대해 얼마나 잘 일반화되는가?
• RQ5 실제 임상 환경의 EHR 시스템에서 누락된 데이터와 노이즈에 대해 추출된 표현형은 얼마나 강인한가?

주요 결과

• 제안된 가중치 부여된 SiCNMF 모델은 기준 모델 대비 임상적 관련성 점수에서 뛰어난 성능을 보였으며, 전문가 주석 기반 표현형은 알려진 질환과 높은 일치를 보였다.
• 도메인 전문가의 평가에 따르면 모델에서 유도된 표현형은 일관되게 임상적으로 의미 있는 것으로 평가되었으며, 예를 들어 혈관성 심장병에 항협오염제제와 항고혈압제가 조합된 표현형 등이 포함되었다.
• 희소성 제약 조건의 통합으로 인해 해석 가능성은 크게 향상되었으며, 각 표현형이 오직 5~10개의 핵심 임상 구성 요소로만 표현됨을 보장했다.
• 표준 NMF 및 Marble 텐서 분해 기반 기준 모델 대비 모델이 뛰어난 성능을 보였으며, 평탄화된 데이터에서의 텐서 근사보다 직접적인 행렬 기반 모델링의 우수성을 입증했다.
• 실증 결과는 이 방법이 비지도 학습에서 복잡한 다중 소스 패턴을 효과적으로 포착하여 생물학적으로 타당한 표현형을 탐색할 수 있음을 보여주었다.
• 초기 강인성 분석 결과, 모델은 누락된 데이터와 노이즈 상황에서도 성능을 유지하는 것으로 나타나 실제 임상 환경에서의 실용성 가능성을 시사했다.