[논문 리뷰] Patient Similarity Analysis with Longitudinal Health Data

Ahmed Allam, Matthias Dittberner외 3명|arXiv (Cornell University)|2020. 05. 14.

Machine Learning in Healthcare참고 문헌 145인용 수 7

한 줄 요약

이 논문은 종단적 전자 건강 기록을 사용한 환자 유사성 분석 방법에 대한 종합적인 리뷰를 제시하며, 다차원적이고 시간에 따라 변화하는 임상 데이터 기반으로 환자 궤적을 군집화하는 데 초점을 맞춘다. 기계 학습 기법을 활용한 프레임워크를 제안하여 공통된 질환 진행 패턴을 식별하고, 개인화된 예후 예측 및 치료 선택을 가능하게 하며 임상 의사결정 향상 잠재력을 입증한다.

ABSTRACT

Healthcare professionals have long envisioned using the enormous processing powers of computers to discover new facts and medical knowledge locked inside electronic health records. These vast medical archives contain time-resolved information about medical visits, tests and procedures, as well as outcomes, which together form individual patient journeys. By assessing the similarities among these journeys, it is possible to uncover clusters of common disease trajectories with shared health outcomes. The assignment of patient journeys to specific clusters may in turn serve as the basis for personalized outcome prediction and treatment selection. This procedure is a non-trivial computational problem, as it requires the comparison of patient data with multi-dimensional and multi-modal features that are captured at different times and resolutions. In this review, we provide a comprehensive overview of the tools and methods that are used in patient similarity analysis with longitudinal data and discuss its potential for improving clinical decision making.

연구 동기 및 목표

• 복잡하고 시간에 따라 변화하는 종단적 건강 데이터에서 의미 있는 환자 유사성 패턴을 식별하는 데 도전 과제를 해결하기 위해.
• 시간에 따라 변화하는 다중 모odal, 다차원 환자 궤적을 비교하기 위한 기존의 계산 기반 방법을 검토하기 위해.
• 유사성 기반 환자 군집화가 개인화된 예후 예측 및 치료 선택을 뒷받침하는 방식을 탐색하기 위해.
• 종단적 환자 유사성 분석이 임상 의사결정 향상에 기여할 임상 잠재력을 부각하기 위해.
• 이 분야의 도구, 기법, 열린 과제에 대한 체계적인 개요를 제공하기 위해.

제안 방법

• 논문은 종단적 건강 데이터에 특화된 다양한 기계 학습 및 데이터 마이닝 기법을 검토하며, 이는 시퀀스 모델링 및 임bedding 방법을 포함한다.
• 환자 상태의 시간에 따른 동적 변화를 포착하기 위해 시간적 특성 표현의 사용을 강조한다.
• 환자 궤적에 대해 차원 축소 및 군집화 알고리즘을 적용하여 공통 패턴을 식별하는 접근 방식을 포함한다.
• 다양한 시간 해상도에서의 다중 모달 데이터(예: 검사 결과, 진단, 절차)의 통합을 논의한다.
• 동적 시간 왜곡 또는 궤적 임베딩과 같은 종단적 시퀀스에 적합한 거리 측정 기반의 유사성 계산을 지원하는 프레임워크를 제시한다.
• 임상 해석 가능성과 대규모 EHR 시스템에 대한 확장성 확보 능력을 기준으로 방법을 평가한다.

실험 결과

연구 질문

• RQ1 어떻게 종단적 건강 데이터에서 환자 궤적을 효과적으로 표현하고 비교할 수 있는가?
• RQ2 유사한 환자 여정을 식별하기 위해 가장 적합한 기계 학습 기법은 무엇인가?
• RQ3 어떻게 환자 유사성 분석이 임상 현장에서 개인화된 예후 예측을 향상시킬 수 있는가?
• RQ4 다중 모달, 시간에 따라 변화하는 EHR 데이터를 모델링하여 유사성 분석을 수행할 때의 주요 과제는 무엇인가?
• RQ5 공통된 질환 진행 패턴을 기반으로 환자를 군집화하는 데 있어 임상적 함의는 무엇인가?

주요 결과

• 리뷰는 종단적 환자 유사성 분석이 공통된 결과를 보이는 질환 궤적의 임상적으로 의미 있는 군집을 발견할 수 있음을 밝혔다.
• 동적 시간 왜곡 및 시퀀스 임베딩 모델과 같은 방법들이 불규칙하게 샘플링된 데이터에서 시간 패턴을 포착하는 데 잠재력을 보였다.
• 다중 모달 EHR 데이터의 통합은 단일 데이터 유형 접근 방식에 비해 환자 군집 정확도를 향상시킨다.
• 유사성 기반 환자 군집화가 개인의 건강 예후 및 치료 반응 예측을 더 정확하게 지원한다.
• 이 방법은 환자 하위군을 특정 개입을 위해 식별함으로써 정밀의료를 이끄는 데 잠재력을 지닌다.
• 진전이 있었음에도 불구하고, 실세계 EHR 시스템에서의 확장성, 해석 가능성, 그리고 누락되거나 이질적인 데이터 처리 과제는 여전히 남아 있다.