[论文解读] Clinically Meaningful Comparisons Over Time: An Approach to Measuring Patient Similarity based on Subsequence Alignment

Dev Goyal, Zeeshan Syed+1 more|arXiv (Cornell University)|Mar 2, 2018

Chronic Disease Management Strategies参考文献 18被引用 5

一句话总结

本文提出了一种基于子序列对齐的患者相似性度量方法，通过聚焦最相关的纵向数据片段，避免病理生理学上的错位，从而改善临床风险分层。该方法在预测轻度认知障碍向阿尔茨海默病进展方面优于快照模型和全局对齐模型（AUROC 0.839 vs. 0.812 和 0.822）。

ABSTRACT

Longitudinal patient data has the potential to improve clinical risk stratification models for disease. However, chronic diseases that progress slowly over time are often heterogeneous in their clinical presentation. Patients may progress through disease stages at varying rates. This leads to pathophysiological misalignment over time, making it difficult to consistently compare patients in a clinically meaningful way. Furthermore, patients present clinically for the first time at different stages of disease. This eliminates the possibility of simply aligning patients based on their initial presentation. Finally, patient data may be sampled at different rates due to differences in schedules or missed visits. To address these challenges, we propose a robust measure of patient similarity based on subsequence alignment. Compared to global alignment techniques that do not account for pathophysiological misalignment, focusing on the most relevant subsequences allows for an accurate measure of similarity between patients. We demonstrate the utility of our approach in settings where longitudinal data, while useful, are limited and lack a clear temporal alignment for comparison. Applied to the task of stratifying patients for risk of progression to probable Alzheimer's Disease, our approach outperforms models that use only snapshot data (AUROC of 0.839 vs. 0.812) and models that use global alignment techniques (AUROC of 0.822). Our results support the hypothesis that patients' trajectories are useful for quantifying inter-patient similarities and that using subsequence matching and can help account for heterogeneity and misalignment in longitudinal data.

研究动机与目标

• 解决在疾病进展速率异质的纵向数据中实现临床有意义的患者比较的挑战。
• 克服全局对齐技术的局限性，后者假设固定的时序对齐，忽略病理生理学上的错位。
• 开发一种鲁棒的相似性度量方法，聚焦于最相关的疾病轨迹片段，无需使用标志性标记或专家定义的子序列提取。
• 利用现实临床环境中变量长度、稀疏采样的纵向数据，改进疾病进展的风险分层。
• 证明子序列匹配在预测从轻度认知障碍进展为阿尔茨海默病方面优于基于快照和全局对齐的方法。

提出的方法

• 基于动态时间规整（DTW）原理，将患者相似性建模为最小代价对齐问题。
• 通过放松端点约束，将DTW方法扩展以支持子序列匹配，从而实现非重叠或部分重叠时间序列的对齐。
• 采用最优代价对齐算法，识别跨患者最具有临床意义的片段，即使数据长度和采样率存在差异。
• 将子序列匹配度量应用于计算患者对之间的相似性，无需在时间序列的开始或结束处进行时序对齐。
• 将相似性度量集成到k-NN分类器中用于风险预测，利用所有可用的纵向数据，同时最小化对疾病轨迹形状的假设。
• 将该方法推广至任何缺乏标志性标记用于对齐的纵向临床数据集，无需超参数调优或专家输入以选择子序列。

实验结果

研究问题

• RQ1 在疾病进展速率和采样模式各异的纵向数据中，子序列对齐能否提升患者相似性度量？
• RQ2 在预测阿尔茨海默病临床进展方面，子序列匹配与全局对齐和基于快照的模型相比表现如何？
• RQ3 纵向数据片段的时间相关性在提升风险分层性能方面起到何种作用？
• RQ4 在缺乏标志性标记的情况下，子序列对齐能否有效捕捉异质性轨迹间具有临床意义的患者相似性？
• RQ5 聚焦于动态变化（如脑容量下降）而非静态值，是否能提升轻度认知障碍向阿尔茨海默病进展的预测性能？

主要发现

• 子序列匹配方法在预测从轻度认知障碍进展为可能的阿尔茨海默病时，AUROC达到0.839，优于快照模型（AUROC 0.812）。
• 子序列匹配也优于全局DTW对齐方法（AUROC 0.822），且差异具有统计学显著性（p < 0.01）。
• 相较于快照模型的性能提升主要源于检测到在疾病进展前出现海马体积显著下降的患者，尽管其最终体积值相似。
• 在时间序列较长（≥5次随访）的患者中，子序列匹配的优势最为明显，因其能更好地捕捉到相关下降模式。
• 子序列匹配对数据稀疏性和采样率差异更具鲁棒性，因其聚焦于最相关片段，而非要求完整长度的对齐。
• 该方法表明，纵向轨迹中的动态变化——尤其是快速下降——比静态基线测量具有更强的预测信号。