[论文解读] 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 6

一句话总结

本文提出了一种基于电子健康记录（EHRs）的力导向弹簧嵌入图可视化方法，用于展示全人群范围内的疾病共现模式。通过将疾病共现的对数似然比转换为欧几里得距离，该方法生成了交互式地图（http://disease-map.net），揭示了已知及新型疾病关联，为揭示各类疾病之间共享的病理机制提供了系统生物学视角。

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.

研究动机与目标

• 使用电子健康记录（EHRs）作为系统生物学方法，可视化全人群范围内的疾病关联。
• 识别已知及此前未被发现的正向与负向疾病共现模式。
• 开发一种数据驱动的可视化方法，避免使用统计假设检验，以保留原始经验关联。
• 创建一个交互式、开放获取的平台，用于大规模探索疾病关系。
• 为未来基于真实世界健康数据的疾病共病系统级分析提供基准。

提出的方法

• 应用力导向弹簧嵌入算法，基于EHR中疾病共现情况对疾病节点进行建模。
• 使用对数似然比的反向expit变换作为疾病对之间欧几里得距离的度量。
• 将疾病对建模为弹簧，其自然长度由优势比决定，根据距离产生平衡、吸引或排斥力。
• 通过最小化系统势能 U = ½ Σ (d_ij − δ̂_ij)² · κ_ij 来寻找所有节点对的稳定空间配置。
• 采用胡克定律原理模拟节点之间的物理力，通过迭代调整位置以降低能量。
• 避免使用p值和置信区间，以保留原始数据模式，不引入主观统计阈值。

实验结果

研究问题

• RQ1 在大规模EHR数据中，人类疾病之间存在哪些正向与负向共现模式？
• RQ2 力导向图布局在多大程度上能有效将复杂、高维的疾病关联以人类可理解的空间形式呈现？
• RQ3 该方法在多大程度上能揭示临床或遗传学文献中此前未被识别的新型疾病关联？
• RQ4 医疗系统相关的人工产物（如编码实践）在EHR可视化中如何影响观察到的疾病共现模式？
• RQ5 生成的交互式地图在多大程度上可作为系统生物学与临床研究的假设生成工具？

主要发现

• 可视化成功地映射了全人群范围内的疾病共现模式，揭示了正向关联疾病群集。
• 共现优势比高的疾病在图中位置更接近，反映了更强的经验关联。
• 该方法识别出已知共病以及数据中此前未报告的新型关联模式。
• 尽管存在EHR数据人工产物的限制，布局在多个局部最小值中仍表现出一致的节点定位，显示出鲁棒性。
• 位于 http://disease-map.net 的交互式地图提供了一个公开可访问、可扩展的工具，用于探索疾病关系，且无需统计过滤。
• 该方法避免使用p值等主观阈值，完整保留了数据中疾病共现的全部经验信号。