[論文レビュー] Bayesian Double Feature Allocation for Phenotyping with Electronic Health Records

Yang Ni, Peter Müeller+1 more|arXiv (Cornell University)|Sep 4, 2018

Machine Learning in Healthcare参考文献 35被引用数 4

ひとこと要約

本稿では、電子的健康記録（EHR）における教師なし表型解析のためのベイジアン二重特徴割り当て（DFA）モデルを提案する。この手法は、インド・バーガー過程の新規拡張を用いて、同時に患者と症状を潜在的疾患に割り当てる。既存の診断と症状-疾患関連性の知識を統合することで、解釈可能で不確実性を考慮した潜在的疾患の同定が可能である。中国のEHRデータを用いた実験で、脂質異常症、貧血、感染症など10の生物学的に妥当な潜在的状態を同定した。

ABSTRACT

We propose a categorical matrix factorization method to infer latent diseases from electronic health records (EHR) data in an unsupervised manner. A latent disease is defined as an unknown biological aberration that causes a set of common symptoms for a group of patients. The proposed approach is based on a novel double feature allocation model which simultaneously allocates features to the rows and the columns of a categorical matrix. Using a Bayesian approach, available prior information on known diseases greatly improves identifiability and interpretability of latent diseases. This includes known diagnoses for patients and known association of diseases with symptoms. We validate the proposed approach by simulation studies including mis-specified models and comparison with sparse latent factor models. In the application to Chinese EHR data, we find interesting results, some of which agree with related clinical and medical knowledge.

研究の動機と目的

• 記録されていないが、共通する症状パターンによって現れる潜在的疾患をEHRデータから教師なしで同定する手法の開発。
• 従来のクラスタリングや因子分解手法の限界を克服し、患者、症状、潜在的疾患の間で重複する、多対多の関係を許容する。
• 既知の診断や症状-疾患関連性といった事前知識をベイジアン枠組みに統合し、潜在的疾患構造の同定可能性と解釈可能性を向上させる。
• 個々の患者の疾患確率推定により、患者レベルの推論を可能とし、臨床的優先順位付けと意思決定を支援する。
• 尤度主義的手法（例：EMに基づくスパース潜在因子モデル）とは異なり、事後確率による不確実性の定量化を提供する。

提案手法

• EHR行列の行（患者）と列（症状）の両方に特徴（潜在的疾患）を同時に割り当てる二重特徴割り当て（DFA）モデルを提案する。
• インド・バーガー過程（IBP）を拡張し、患者と症状への重複可能な非排他的な疾患割り当てを可能とし、潜在的疾患の数を未知かつ柔軟に扱える。
• 既知の診断と症状-疾患リンクに関する事前知識をネットワーク上の固定エッジとしてエンコードする階層ベイジアンモデルを採用し、モデルの同定可能性を向上させる。
• マルコフ連鎖モンテカルロ（MCMC）を用いて事後分布推論を実施し、症状-疾患関連性の事後確率推定（可視化における線の太さで表現）を可能にする。
• 連続的な検査値（例：正常／異常）を離散化することで、臨床的基準範囲を統合し、ノイズや外れ値への感受性を低減する。
• 欠損データは完全にランダムに欠損（MCAR）であるものと仮定し、尤度関数から欠損項目を省略することで、標準的な行列補完の原則を活用する。

実験結果

リサーチクエスチョン

• RQ1 教師なしでラベル付き診断に依存せずに、EHRデータから潜在的疾患を効果的に同定できるか。
• RQ2 既知の診断と症状-疾患関連性といった事前知識を統合することで、潜在的疾患構造の解釈性と同定可能性はどのように向上するか。
• RQ3 DFAモデルは、スパース潜在因子モデル（SLFM）やグラフィカルモデルに比べ、患者-疾患および症状-疾患の重複的かつ多対多の関係をどれほど効果的に捉えられるか。
• RQ4 実世界のEHR環境において、モデルの誤指定やノイズの多いデータ条件下でも、本モデルはどの程度の性能を示すか。
• RQ5 本モデルは臨床的優先順位付けを可能にする不確実性を伴う意味のある患者レベルの疾患確率推定を提供できるか。

主な発見

• DFAモデルは中国のEHRデータから10の潜在的疾患を同定した。その例として、脂質異常症、血小板減少症、赤血球増多症、貧血、細菌性およびウイルス性感染症、アレルギー、栄養不良が含まれ、臨床的知識と整合的である。
• モデルが同定した腎機能障害の有病率は、地域平均と比較的同等であり、わずかに高い傾向にあった。これは、実世界の整合性を示している。
• 症状-疾患関連性の事後確率は線の太さで可視化され、不確実性を考慮した推論が可能になった。例えば、強い関連性は太い線で示され、点推定値に比べてより洗練された解釈が可能になった。
• SLFMに比べ、DFAモデルは患者レベルの推論で優れた性能を示した。SLFMは個々の患者-疾患確率推定をサポートしないため、臨床的応用において重要な利点を欠いていた。
• コンSENSUS MCMCアルゴリズムにより、15,000件のデータセットを5分未満でスケーラブルに推論可能となり、小規模データセットにおけるMCMC推定性能と同等の結果を得た。
• 連続的検査値の離散化により、ノイズや外れ値に対するロバストネスが向上し、臨床的基準範囲の統合が可能になったが、カテゴリ数が少なすぎると情報損失が生じる可能性がある。