A Multi-Dimensional Clustering Approach for Identifying Inborn Errors of Immunity

기술 요약: 선천성 면역 결핍증 식별을 위한 다차원 군집화 접근법

문제 제기
선천성 면역 결핍증 (IEI) 은 복잡한 증상으로 특징지어지는 희귀 질환으로, 종종 진단 지연과 장기화된 의료 이용을 초래합니다. 현재의 과제는 대규모 전자 건강 기록 (EHR) 데이터에 대한 접근 및 체계적 분석을 위한 큐레이션의 어려움, 그리고 복잡한 면역학적 데이터를 체계적으로 처리하고 통합하기 위한 확립된 머신러닝 (ML) 방법론의 부재입니다. 군집화 알고리즘은 의료 영상 및 유세포 분석과 같은 특정 모달리티에 적용되어 왔으나, IEI 패턴 인식 및 아형 (subphenotyping) 식별을 위한 다기관 실험실 데이터에 대한 적용은 아직 충분히 탐구되지 않았습니다. 기존 접근법은 종종 전체 데이터셋에 대한 범주형 데이터나 보간에 의존하며, 질병 특이적 또는 연령 특이적 변이를 고려하지 않습니다.

방법론
저자들은 원시 면역학 실험실 데이터를 패턴 인식을 위해 임상적으로 해석 가능한 벡터로 변환하기 위한 데이터 큐레이션 및 비지도 ML 파이프라인을 제안합니다.

• 데이터 소스 및 코호트: 본 연구는 Cerner Real-World Database(CRWD) 의 데이터를 활용하며, 이는 2,174 명의 고유 환자로부터 수집된 5,986 개의 실험실 샘플로 구성됩니다. 코호트에는 만성 육아종성 질환 (CGD), 복합 면역 결핍증 (COMB), 일반성 면역 결핍증 (CVID), 디지오지 증후군 (DGS), 백혈구 부착 결핍증 (LAD), 무감마글로불린혈증 (AGAMMA), 그리고 위스콧 - 알드리치 증후군 (WAS) 등 7 가지 특정 IEI 진단이 포함됩니다.
• 데이터 구조화 및 전처리:
  • 접촉 정의: 데이터는 환자 접촉 (encounter) 단위로 구조화됩니다. 단일 스냅샷이 아닌 질병 진행을 나타내기 위해, 파이프라인은 입원 기간 중 각 이용 가능한 실험실 검사의 첫 발생을 선택합니다.
  • 특성 선택: 분석은 5 가지 임상적으로 두드러진 림프구 아형 마커로 제한됩니다: CD3+, CD3+CD4+, CD3+CD8+, CD19+, 그리고 CD3-CD16+CD56+(자연살해세포).
  • 정규화: 실험실 값은 임상 사이트 간 변이를 고려하기 위해 기관별 기준 범위 (낮음 및 높음) 에 대해 정규화됩니다. 정규화 함수는 이러한 범위에 상대적인 절대 실험실 값을 스케일링합니다.
  • 결측 데이터 보간: EHR 에서 흔히 발생하는 결측값을 처리하기 위해, 본 연구는 질병 특이적 및 연령 하위 그룹화 데이터셋 내에서 구체적으로 적용되는 체인 방정식 다중 보간 (MICE) 을 사용합니다.
  • 연령 층화: 림프구 아집단 변화에 관한 면역학 연구에 기반하여 환자를 6 개 연령 그룹 (0-1, 1-2, 2-5, 5-10, 10-16, 그리고 16 세 초과) 으로 나눕니다.
• 군집화 알고리즘: 파이프라인은 5 가지 비지도 군집화 알고리즘을 테스트합니다: DBSCAN, 계층적 DBSCAN(HDBSCAN), K-means, Agglomerative, 그리고 K-modes.
• 평가 지표:
  • 내부 검증: 실루엣 점수와 Davies-Bouldin(DB) 점수.
  • 외부 검증: 동질성 (Homogeneity), 완전성 (Completeness), V-측도, 조정된 랜 지수 (Adjusted Rand Index), 그리고 조정된 상호 정보 (Adjusted Mutual Information; 군집화 과정에서 알려진 질병 라벨을 블라인드 처리하여 사용).
  • 복합 점수 (CS): 하이퍼파라미터 조합을 순위 매기기 위해 정의된 사용자 정의 지표: $CS = (1 / (1 + DB)) + \sum s_i$. 여기서 $s_i$는 다른 검증 점수를 나타냅니다. 이 공식은 높은 DB 점수 (나쁜 군집화를 나타냄) 를 패널티로 부과하면서 다른 성능 지표를 집계합니다.
• 차원 축소: 시각화를 위해 데이터 벡터는 주성분 분석 (PCA) 을 거친 후 t-SNE 를 통해 5 차원 데이터를 2 차원 공간으로 투영합니다.

주요 기여

1. 데이터 처리 파이프라인: 본 연구는 복잡하고 다기관인 임상 실험실 데이터를 군집화 알고리즘이 해석 가능한 형식으로 변환하는 상세한 방법론을 보여주며, 데이터 결측, 기준 범위 정규화, 그리고 차원성 문제를 해결합니다.
2. 알고리즘 적용: 추정된 IEI 를 가진 환자의 실험실 데이터에 중심 기반, 밀도 기반, 그리고 계층적 ML 군집화 알고리즘 군을 활용합니다.
3. 아형 식별: 비지도 군집화 사용은 소스 데이터에 명시적으로 라벨링되지 않은 질병 하위 그룹 (아형) 을 성공적으로 식별하여 새로운 질병 패턴 발견 가능성을 시사합니다.

실험 결과
본 연구는 524 개의 하이퍼파라미터 조합을 사용하여 6 개 연령 그룹에서 3,144 번의 실험을 수행했습니다.

• 성능: 복합 점수에 기반한 최고 성능 알고리즘은 K-means(CS 2.94) 와 Agglomerative 군집화 (CS 2.83) 였습니다. 밀도 기반 알고리즘 (DBSCAN, HDBSCAN) 은 데이터셋 대비 더 적은 수의 군집이나 매우 작은 군집 크기를 생성했습니다.
• 군집 분석: 0-1 세 연령 그룹에서 Agglomerative 군집화 (7 개 군집) 는 대부분의 군집이 디지오지 증후군 (DGS) 환자로 우세함을 드러냈습니다.
• 임상 검증: DGS 우세 군집 내에서 저자들은 비-IEI 진단 코드 (ICD) 의 빈도에 있어 뚜렷한 차이를 관찰했습니다. 예를 들어, 군집 0 환자는 위장관/수유 관련 코드가 높은 빈도를 보였고, 군집 3 은 상기도 병리를 나타냈으며, 군집 4 와 6 은 심장 관련 코드를 보였는데, 특히 군집 6 은 대동맥 기형을 독점적으로 보여주었습니다.
• 집단 편향: 형성된 군집의 대다수는 데이터셋 내 두 개의 가장 큰 인구 집단 (AGAMMA 와 DGS) 에 해당하여 실제 세계의 유병률 불균형을 반영했습니다. 그러나 동일한 질병 유형의 환자들이 함께 군집화되는 경향이 있어, 이 모델이 단순히 샘플 크기 효과가 아닌 생물학적으로 의미 있는 구조를 포착함을 시사합니다.

의의 및 주장
본 논문은 대규모 희귀 질환 데이터의 체계적 군집화가 새로운 임상적 관련 패턴 및 아형을 식별할 잠재력을 가진다고 주장합니다. 본 연구는 다음 사항을 강조합니다:

• 연령 기반 분석의 중요성: 급격히 변화하는 면역 체계로 인해 소아 면역학적 평가에서는 데이터를 연령으로 세분화하는 것이 필수적입니다.
• 보간 전략의 중요성: 질병 및 연령 특이적 보간 (MICE) 을 사용하면 대규모 데이터셋과 질병 특이적 차이를 보존할 수 있습니다.
• 비지도 학습의 유용성: 이 접근법은 환자를 질병별로 그룹화하고 진단 및 증상 코드 빈도에 따라 더 세분화할 수 있어, 조기 진단 및 표적 치료에 도움이 될 수 있습니다.
• 한계 및 향후 작업: 저자들은 현재 파이프라인이 주요 질병 클래스에 의해 주도되는 1 차 계층화이며, 인구 불균형으로 인해 더 미세한 아형 변이를 가릴 수 있음을 인정합니다. 향후 작업은 유병률 주도 효과를 줄이기 위해 질병 특이적 군집화를 적용하고, 아형 분해능을 향상시키기 위해 유전 데이터 등을 포함한 확장된 특성 집합을 통합하는 것을 목표로 합니다. 궁극적인 목표는 군집화에서 분류 모델로 전환하여 IEI 환자를 위한 위험 및 예측 모델을 수립하는 것입니다.