[论文解读] Phenotyping using Structured Collective Matrix Factorization of Multi--source EHR Data

Suriya Gunasekar, Joyce C. Ho+6 more|arXiv (Cornell University)|Sep 14, 2016

Tensor decomposition and applications参考文献 26被引用 13

一句话总结

本文提出了一种结构化的集体矩阵分解（CMF）框架，通过约束性稀疏非负矩阵分解方法，联合建模多源电子健康记录（EHR）数据（如诊断、药物和检验结果），以提取具有临床可解释性的表型。该方法通过强制稀疏性并利用异构数据源，在无需人工标注监督的情况下，提升了表型的可解释性和性能。

ABSTRACT

The increased availability of electronic health records (EHRs) have spearheaded the initiative for precision medicine using data driven approaches. Essential to this effort is the ability to identify patients with certain medical conditions of interest from simple queries on EHRs, or EHR-based phenotypes. Existing rule--based phenotyping approaches are extremely labor intensive. Instead, dimensionality reduction and latent factor estimation techniques from machine learning can be adapted for phenotype extraction with no (or minimal) human supervision. We propose to identify an easily interpretable latent space shared across various sources of EHR data as potential candidates for phenotypes. By incorporating multiple EHR data sources (e.g., diagnosis, medications, and lab reports) available in heterogeneous datatypes in a generalized extit{Collective Matrix Factorization (CMF)}, our methods can generate rich phenotypes. Further, easy interpretability in phenotyping application requires sparse representations of the candidate phenotypes, for example each phenotype derived from patients' medication and diagnosis data should preferably be represented by handful of diagnosis and medications, ($5$--$10$ active components). We propose a constrained formulation of CMF for estimating sparse phenotypes. We demonstrate the efficacy of our model through an extensive empirical study on EHR data from Vanderbilt University Medical Center.

研究动机与目标

• 自动化从多源EHR数据中提取表型，而无需标注训练数据或大量临床规则工程。
• 解决将异构EHR数据类型（例如，二值、实数值、整数）整合到统一潜在空间以用于表型识别的挑战。
• 通过强制稀疏性，提升所提取表型的临床可解释性，确保每个表型仅由5–10个关键临床成分表示。
• 通过专家标注评估无监督表型的临床相关性，证明其优于现有基线模型。
• 开发一种可扩展的无监督框架，通过支持快速、数据驱动的表型发现，助力精准医学计划。

提出的方法

• 该方法采用约束性集体矩阵分解（CMF）框架，将多个EHR矩阵（如患者-诊断、患者-药物）联合分解为共享的低秩潜在因子。
• 采用非负矩阵分解（NMF）公式以确保可解释性，并在因子矩阵上施加稀疏性约束，以限制每个表型仅包含5–10个活跃成分。
• 引入加权SiCNMF变体，通过引入数据特定权重，以适应EHR源之间不同的数据类型和分布。
• 使用交替优化方案训练模型，最小化包含重构误差和稀疏性惩罚的复合目标函数。
• 通过为每类EHR源建模为独立矩阵并使用适当的损失函数（如检验值使用平方误差，二值标志使用伯努利分布），实现对异构数据类型的建模。
• 后处理应用硬性稀疏性约束，以确保临床可解释性，表型表示为少量诊断和药物的组合。

实验结果

研究问题

• RQ1 能否从多个异构EHR数据源中有效学习到一个统一的无监督潜在空间，以表示具有临床意义的表型？
• RQ2 在分解表示中强制稀疏性如何提升所推导表型的可解释性和临床相关性？
• RQ3 所提出的结构化集体矩阵分解是否在表型质量和临床实用性方面优于现有基线模型（如标准NMF和Marble）？
• RQ4 该模型在无需标注数据或专家标注规则的情况下，能在多大程度上在不同患者人群中实现泛化？
• RQ5 在真实世界EHR系统中存在缺失数据和噪声的情况下，所提取的表型有多大的鲁棒性？

主要发现

• 所提出的加权SiCNMF模型在临床相关性评分方面优于基线模型，专家标注的表型与已知疾病高度一致。
• 领域专家一致认为该模型生成的表型具有临床意义，例如心肌缺血性心脏病联合抗心绞痛药物和降压药物的组合。
• 引入稀疏性约束显著提升了可解释性，确保每个表型仅由5–10个关键临床成分表示。
• 该模型在性能上优于标准NMF和Marble张量分解基线，证明了基于矩阵的直接建模相比从扁平化数据进行张量近似的优越性。
• 实证结果表明，该方法能有效捕捉EHR数据中的复杂多源模式，实现在无监督条件下发现具有生物学合理性的表型。
• 初步的鲁棒性分析表明，该模型在缺失数据和噪声条件下仍能保持性能，表明其在真实临床环境中的实际可行性。