[論文レビュー] Disease universe: Visualisation of population-wide disease-wide associations

Max Moldovan, Ruslan Enikeev+4 more|arXiv (Cornell University)|Aug 12, 2013

Data-Driven Disease Surveillance参考文献 19被引用数 6

ひとこと要約

本論文は、電子歴史記録（EHR）を用いて、集団規模の疾患共存パターンを力描きのスプリング埋め込み図として可視化する手法を提案している。疾患共存の対数オッズ比をユークリッド距離に変換することで、http://disease-map.net で利用可能なインタラクティブな地図が生成され、既知の疾患関連性に加え、未知の疾患関連性も明らかにし、疾患間の共通病理メカニズムを解明するためのシステム生物学的手法を提供する。

ABSTRACT

We apply a force-directed spring embedding graph layout approach to electronic health records in order to visualise population-wide associations between human disorders as presented in an individual biological organism. The introduced visualisation is implemented on the basis of the Google maps platform and can be found at http://disease-map.net . We argue that the suggested method of visualisation can both validate already known specifics of associations between disorders and identify novel never noticed association patterns.

研究の動機と目的

• 電子歴史記録（EHR）を用いたシステム生物学的手法として、ヒト疾患間の集団規模の関連性を可視化すること。
• 既知の疾患共存パターンに加え、以前に検出されていなかった陽性および陰性の疾患共存パターンを同定すること。
• 統計的仮説検定を回避することで、生の経験的関連性を保持するデータ駆動型の可視化手法を開発すること。
• スケールに応じた疾患関連性を探索可能な、インタラクティブでオープンアクセスのプラットフォームを構築すること。
• 実世界の健康データを用いた疾患共存のシステムレベル分析の基準となるベンチマークを提供すること。

提案手法

• 疾患ノードをEHRにおける共存頻度に基づいてモデル化するため、力描きのスプリング埋め込みアルゴリズムを適用する。
• 対数オッズ比の逆変換（expit逆変換）を用いて、疾患ペア間のユークリッド距離を測定する。
• オッズ比から得られる自然長を持つスプリングとして疾患ペアをモデル化し、距離に応じて平衡状態、引力、斥力が生じる。
• 全ノードペアに対して、エネルギー関数 U = ½ Σ (d_ij − δ̂_ij)² · κ_ij の最小化により、安定した空間的配置を求める。
• ホークの法則の原則を用いてノード間の物理的力をシミュレートし、反復的に位置を調整してエネルギーを低減する。
• p値や信頼区間を回避することで、主観的な統計的閾値を導入せず、生データのパターンをそのまま保持する。

実験結果

リサーチクエスチョン

• RQ1 大規模なEHRデータにおいて、ヒト疾患間にどのような陽性および陰性の共存パターンが存在するか？
• RQ2 力描きのグラフレイアウトは、人間が理解可能な空間的フォーマットで、複雑で高次元の疾患関連性を効果的に表現できるか？
• RQ3 この手法は、臨床的または遺伝学的文献で以前に認識されていなかった、新しい疾患関連性をどの程度明らかにできるか？
• RQ4 医療システムの特徴（例：コード化の慣習）は、EHRベースの可視化における疾患共存パターンにどのように影響を与えるか？
• RQ5 得られたインタラクティブマップは、システム生物学および臨床研究における仮説生成ツールとして機能できるか？

主な発見

• 可視化は集団規模の疾患共存パターンを効果的にマッピングし、陽性に関連する疾患群のクラスタを明らかにした。
• 共存オッズ比が高い疾患は、グラフ上で近接して配置され、より強い経験的関連性を反映している。
• 本手法は、既知の共存疾患に加え、データ内に存在するが以前に報告されていなかった新しい関連性パターンを同定した。
• EHRデータのアーチファクトによる制限が存在するが、複数の局所的最小値において一貫したノード配置を示しており、手法の頑健性を示している。
• http://disease-map.net に提供されるインタラクティブマップは、統計的フィルタリングなしに、公開可能でスケーラブルな疾患関連性探索ツールを提供している。
• 本手法は、p値のような主観的閾値を回避することで、データ内に内在する疾患共存の完全な経験的信号を保持している。