随时间具有临床意义的比较：一种基于子序列比对的患者相似性度量方法
机器学习
2018-03-05 v1 机器学习
摘要
纵向患者数据有潜力改进疾病的临床风险分层模型。然而，随时间缓慢进展的慢性疾病在临床表型上常具异质性。患者可能以不同速率经历疾病阶段。这导致随时间的病理生理错位，使得难以以临床有意义的方式一致地比较患者。此外，患者首次临床就诊时处于不同疾病阶段。这排除了仅基于初始表现对齐患者的可能。最后，由于日程差异或漏诊，患者数据可能以不同速率采样。为应对这些挑战，我们提出一种基于子序列比对的鲁棒患者相似性度量。与不考虑病理生理错位的全局比对技术相比，关注最相关子序列可实现准确的患者间相似性度量。我们在纵向数据有用但有限且缺乏清晰时间对齐以供比较的场景中展示了方法的效用。应用于对进展为很可能阿尔茨海默病风险进行患者分层任务，我们的方法优于仅使用快照数据的模型（AUROC 为 0.839 对比 0.812）和使用全局比对技术的模型（AUROC 为 0.822）。我们的结果支持如下假设：患者轨迹有助于量化患者间相似性，且使用子序列匹配可帮助解释纵向数据中的异质性与错位。
引用
@article{arxiv.1803.00744,
title = {Clinically Meaningful Comparisons Over Time: An Approach to Measuring Patient Similarity based on Subsequence Alignment},
author = {Dev Goyal and Zeeshan Syed and Jenna Wiens},
journal= {arXiv preprint arXiv:1803.00744},
year = {2018}
}