[論文レビュー] Patient similarity: methods and applications

Leyu Dai, He Zhu+1 more|arXiv (Cornell University)|Dec 1, 2020

Machine Learning in Healthcare参考文献 54被引用数 7

ひとこと要約

本稿は、多様な電子的健康記録（EHR）および「オミックス」データを統合して患者類似性ネットワークを構築するための方法と応用をレビューし、正確医療に応用する。データ統合、類似性測定、クラスタリング技術（K-means、スペクトラルクラスタリング、自己組織化マップを含む）を概説し、神経膠腫、糖尿病、ICU死亡率予測の臨床的応用において、疾患亜型の同定と個別化予測に活用されていることを示している。

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.

研究の動機と目的

• 多様な臨床的および分子的データを統合して、正確医療のフレームワークとしての患者類似性分析を体系化すること。
• EHR、ゲノミクス、プロテオミクスなどの異種のデータタイプを統合して、統一された類似性表現を構築する課題に対処すること。
• 類似性ネットワークを通じて臨床的に関連する患者亜型を同定し、診断および治療の個別化を向上させること。
• ターゲット個体に最も類似する患者コhortを活用することで、データ駆動型の臨床意思決定支援を可能にすること。
• スケーラブルで正確な患者グループ化を実現するための高度なクラスタリングおよび表現学習技術を検討すること。

提案手法

• 異種の患者データ（連続値、カテゴリカル、バイナリー、時系列）を統合するため、初期統合、後期統合、または中間統合戦略を用いる。
• ユークリッド距離、ジャカード係数、相関に基づく測定値などの類似性指標を用いて、患者間の類似性を計算する。
• K-meansクラスタリングを用い、クラスタ内平方和の合計を最小化することで、患者をK個のグループに分割する。
• 類似性行列の固有値を活用して次元削減を行い、その後クラスタリングを実行するスペクトラルクラスタリングを用いる。
• 自己組織化マップ（SOMs）を用いて、非監視的かつトポロジーを保った次元削減と患者類似性の可視化を実現する。
• 最大事後確率ディリクレ過程混合モデルを用いて、事前にクラスタ数を指定せずに非パrametricクラスタリングを実行する。

実験結果

リサーチクエスチョン

• RQ1 臨床的および分子的異種データを効果的に統合し、意味のある患者類似性スコアを算出する方法は何か？
• RQ2 生物学的および臨床的に関連する患者亜型を同定するうえで、最も効果的な類似性指標とクラスタリング手法は何か？
• RQ3 患者類似性ネットワークは、臨床現場における個別化予測モデルの性能をどの程度向上させ得るか？
• RQ4 非監視および半教師あり学習技術は、患者クラスタリングおよび近隣同定をどの程度向上させ得るか？
• RQ5 正確医療のためのスケーラブルな患者類似性ネットワークを構築するにあたり、主な技術的およびデータ関連の課題は何か？

主な発見

• 患者類似性ネットワークは、チモダゾールに対する反応が著しく良好で、予後も良好な神経膠腫患者亜群を的確に同定した。
• 患者類似性を用いた2型糖尿病の亜型化により、特定の遺伝子変異および合併症と関連する明確な亜群が同定された。
• K-meansおよびスペクトラルクラスタリングは、臨床的および分子的プロファイルに基づき、肺炎および糖尿病を有する患者を効果的にグループ化した。
• 自己組織化マップは、複雑な疾患データにおける患者クラスタの可視化とトポロジカルな関係の解明を可能にした。
• モデル学習に、ターゲット個体に最も類似する患者のみを用いることで、グローバルモデルに比べICU死亡率予測の精度が向上した。
• ディリクレ過程混合モデルのような非パrametricクラスタリング手法は、事前にクラスタ数を指定せずとも最適なクラスタ数を自動的に特定した。