[论文解读] Agglomerative Hierarchical Clustering Analysis of co/multi-morbidities

Shatrunjai P. Singh, Swagata Karkare+2 more|arXiv (Cornell University)|Jul 11, 2018

Chronic Disease Management Strategies参考文献 39被引用 3

一句话总结

本研究将系统聚类法应用于德克萨斯州患者队列，以识别临床上相关的共病/多病模式。基于电子健康记录数据，该方法揭示了九个独特且具有生物学合理性的共病组合群集，为大规模健康数据中复杂多病模式的定量分析提供了框架。

ABSTRACT

Although co/multi-morbidities are associated with significant increase in mortality, the lack of appropriate quantitative exploratory techniques often impede their analysis. In the current study, we study the clustering of multimorbid patients in the Texas patient population. To this end we employ agglomerative hierarchical clustering to find clusters within the patient population. The analysis revealed the presence of nine distinct, clinically relevant clusters of co/multi-morbidities within the study population of interest. This technique provides a quantitative exploratory analysis of the co/multi-morbidities present in a specific population.

研究动机与目标

• 为解决在大规模患者队列中分析共病/多病共存缺乏定量探索性方法的问题。
• 在真实世界健康数据集中识别出有意义且临床可解释的共病慢性病组合群集。
• 展示层次聚类作为揭示多病共存数据中隐藏模式的工具的实用性。
• 提供一种可重复、数据驱动的多病共存分析方法，以支持临床与公共卫生研究。

提出的方法

• 将系统聚类法应用于德克萨斯州的大规模电子健康记录数据集。
• 使用距离度量（可能为欧几里得距离或Jaccard系数）衡量患者共病谱型之间的相似性。
• 采用链接准则（如平均链接或Ward链接）迭代合并最相似的群集。
• 通过树状图分析和对群集构成的手动审查，验证群集的稳定性和临床相关性。
• 将患者多病共存模式表示为二值向量，以表示特定疾病的存在/缺失状态。
• 使用标准聚类评估技术确定最优群集数量，最终得到九个独立群集。

实验结果

研究问题

• RQ1 在大规模真实世界患者队列中，是否存在不同的共病/多病共存群集？
• RQ2 如何利用层次聚类揭示多病共存中的生物学和临床意义明确的模式？
• RQ3 所识别的群集在临床背景下是否稳定且可解释？
• RQ4 该方法能否作为复杂多病共存数据探索性分析的稳健定量工具？
• RQ5 德克萨斯州患者队列中临床相关的共病群集最优数量是多少？

主要发现

• 该分析在德克萨斯州患者队列中识别出九个独特且具有临床意义的共病/多病共存群集。
• 每个群集代表一组独特的慢性病组合，可能具有共同的病理生理或行为基础。
• 群集具有稳定性且可解释，表现出清晰的共病模式，如糖尿病合并心血管疾病，或精神健康障碍合并代谢综合征。
• 层次结构揭示了不同多病共存谱型之间的广泛与精细关系。
• 该方法成功地将复杂、高维的共病数据转化为可管理且具有意义的分类体系。
• 结果表明，系统聚类法是大规模健康数据中探索性多病共存分析的一种可行且富有洞察力的方法。