基于可解释机器学习的疾病轨迹聚类：后脑危象表型的案例研究
机器学习
2024-05-07 v1
摘要
在复杂疾病或综合征中识别表型是精准医学的基本组成部分，该方法旨在适应个体患者特征。术后脑危象（POD）是一种复杂的神经精神疾病，其临床表现和潜在病理学存在显著的异质性。我们假设POD包含若干无法在临床实践中直接观察到的 distinct 表型。识别这些表型可能有助于我们更好地理解POD的病因，并促进针对性预防和治疗策略的开发。在本文中，我们提出了一种方法，将POD风险预测的监督式机器学习与无监督聚类技术相结合，以发现潜在POD表型的可能性。我们首先使用合成数据演示了该方法，其中我们模拟基于不同信息特征集合的患者队列，以预定义的表型为基础。我们旨在模拟任何临床疾病。通过训练预测模型并应用SHAP，我们展示了在SHAP特征重要性空间中对患者进行聚类能够成功恢复真实的底层表型，而在原始特征空间中的聚类效果更佳。我们随后 presenting 一个案例研究，使用来自老年手术患者队列的真实世界数据。结果展示了该方法在发现复杂疾病如POD的临床相关亚型方面的实用性，为更精确和个性化的治疗策略铺平了道路。
引用
@article{arxiv.2405.03327,
title = {Clustering of Disease Trajectories with Explainable Machine Learning: A Case Study on Postoperative Delirium Phenotypes},
author = {Xiaochen Zheng and Manuel Schürch and Xingyu Chen and Maria Angeliki Komninou and Reto Schüpbach and Ahmed Allam and Jan Bartussek and Michael Krauthammer},
journal= {arXiv preprint arXiv:2405.03327},
year = {2024}
}