以临床结果为指导的深度时聚类用于疾病进展亚型化
Dulin Wang1, Xiaotian Ma1, Paul E Schulz2
1McWilliams School of Biomedical Informatics, The University of Texas Health Science Center at Houston, Houston, TX, USA.
Journal of biomedical informatics
|October 2, 2024
概括
这项研究引入了一个新的框架,用于对复杂疾病进行聚类,根据疾病进展和临床结果确定不同的患者亚型. 该方法通过揭示子组变异来增强个性化治疗策略.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 复杂的疾病表现出不同的进展,需要方法来识别个性化医学的亚型.
- 目前的方法往往缺乏集群特定的表征,或无法整合临床结果,限制了效用.
研究的目的:
- 开发一个统一的框架来分类纵向渐进性疾病的亚型.
- 通过整合疾病进展数据和临床结果来改善患者集群的代表性.
主要方法:
- 拟议的以结果为导向的深度时间聚类 (OG-DTC) 框架.
- 利用基于GRU的seq2seq架构进行时间动态,整合k-means集群和结果回归.
- 使用高斯混合模型进行集群表示,并通过可重现性,稳定性和显著性测试进行验证.
主要成果:
- 将框架应用于阿尔茨海默病 (AD) 临床试验,确定了三种不同的亚型.
- 亚型显示出独特的进展模式和差异化的临床下降.
- 废弃性研究证实了每个模型组件的贡献,联合优化改善了表示.
结论:
- 时间聚类框架为纵向疾病提供了强大的亚型.
- 该方法有可能捕捉个性化治疗的临床结果中的亚型变异性.


