A Novel Multi-view Mixture Model Framework for Longitudinal Clustering with Application to ANCA-Associated Vasculitis

Deze paper introduceert een nieuw probabilisch koppelingsmodel dat statische covariaten en onregelmatig gesamplede longitudinale biomarkertrajecten, gemodelleerd met neurale gewone differentiaalvergelijkingen, integreert om heterogene subgroepen te identificeren bij patiënten met ANCA-geassocieerd vasculitis.

De kern

Stel je voor dat je een arts bent die probeert te begrijpen waarom sommige patiënten met een zeldzke auto-immuunziekte (genaamd AAV) snel verslechteren, terwijl anderen jarenlang stabiel blijven.

Deze ziekte is als een onvoorspelbare reis. Sommige patiënten hebben een rustige rit, anderen hebben plotselinge heuvels en dalen. De problemen?

1. De data is rommelig: Patiënten komen niet op vaste tijdstippen langs. De één komt elke maand, de ander pas eens in de drie jaar.
2. De data is gemengd: Je hebt statische gegevens (leeftijd, geslacht, type ziekte bij start) én dynamische gegevens (hoe de nierfunctie verandert in de tijd).

De auteurs van dit papier hebben een nieuwe digitale detective bedacht om deze rommelige puzzel op te lossen. Laten we het uitleggen met een paar creatieve vergelijkingen.

1. De Twee-Oogjes Methode (Multi-view Mixture Model)

Stel je voor dat je een groep mensen wilt verdelen in teams. Je hebt twee soorten informatie over ze:

• Oogje 1 (De Foto): Een statische foto van hun startpunt (leeftijd, geslacht, type ziekte). Dit verandert niet.
• Oogje 2 (De Video): Een video van hun reis door de tijd (hoe hun nierwaarden stijgen of dalen).

Oude methoden keken vaak alleen naar de foto of probeerden de video te versnellen tot een statische foto (bijvoorbeeld: "gemiddelde waarde"). Dat werkt niet goed, want de beweging in de video is cruciaal.

Deze nieuwe methode kijkt gelijktijdig naar de foto én de video. Het probeert te vinden: "Wie heeft een startfoto die lijkt op die van groep A, en wie heeft een video-ritje dat lijkt op groep B?" Door deze twee te combineren, vinden ze groepen die echt op elkaar lijken, ook al hebben ze verschillende reisroutes.

2. De Slimme Tekenmachine (Neural ODEs)

Hoe teken je een lijn als de punten niet op een rechte lijn staan en niet op gelijke afstand van elkaar?
Stel je voor dat je een kind vraagt om een lijn te tekenen op een vel papier, maar het kind mag alleen stippen zetten op willekeurige plekken. Een oude computer zou proberen die stippen met rechte lijntjes te verbinden (dat ziet er lelijk en onnatuurlijk uit).

De auteurs gebruiken een Neural ODE (een soort super-slimme tekenmachine). Deze machine leert niet alleen de stippen te verbinden, maar begrijpt de kracht die de lijn stuurt. Het is alsof de machine een onzichtbare, gladde weg tekent die door de stippen loopt, zelfs als er grote gaten zijn tussen de metingen.

• Vergelijking: Het is alsof je een GPS gebruikt die de weg kent, zelfs als je de telefoon even uit het zicht hebt. De GPS weet dat je waarschijnlijk rechtdoor rijdt, ook al zie je even geen weg.

3. De Groepsindeling (Clustering)

Het doel is om de patiënten in groepjes te verdelen.

• Groep 1: Mensen die rustig beginnen en rustig blijven (een stabiele rit).
• Groep 2: Mensen die onrustig beginnen en snel verslechteren (een rit met veel gaten).

De computer gebruikt een slim algoritme (het EM-algoritme) om te gissen: "Hoeveel groepjes zijn er nodig?" en "Wie hoort waar?".
Om te voorkomen dat de computer te veel groepjes maakt (bijvoorbeeld 100 groepjes van 1 persoon), gebruiken ze een strafregelsysteem (de "sparsity penalty").

• Analogie: Stel je voor dat je een klas wilt verdelen in groepjes. Als je te veel groepjes maakt, wordt het onbegrijpelijk. De strafregel zegt: "Houd het simpel. Als een groepje te klein is, smelt het samen met een ander." Zo vinden ze de echte, betekenisvolle groepen.

Wat vonden ze bij de AAV-patiënten?

Toen ze dit toepasten op 282 patiënten in Ierland, ontdekten ze twee heel duidelijke groepen:

1. De "Rustige Nieren" Groep: Deze mensen hadden bij aanvang al wat nierproblemen, maar hun nierwaarden bleven op een stabiel, laag niveau. Ze hadden vaak een specifiek type ziekte (MPO-ANCA).
2. De "Systemische Ontsteking" Groep: Deze mensen hadden een heel actieve ziekte in het hele lichaam (huid, longen, gewrichten) en hun nierwaarden waren onstabiel en hoger. Ze hadden vaak een ander type ziekte (PR3-ANCA).

Het verrassende nieuws:
Ondanks dat deze twee groepen er heel anders uitzagen (de ene groep was rustig, de andere chaotisch), bleek dat niemand in de ene groep sneller een niertransplantatie nodig had dan de ander.

• Vergelijking: Het is alsof je twee auto's hebt: een rode sportauto die snel rijdt en een blauwe bestelwagen die langzaam rijdt. Je zou denken dat de sportauto sneller kapot gaat. Maar in dit geval bleken beide auto's even lang mee te gaan. De manier waarop ze rijden is anders, maar het eindresultaat (ESKD) was hetzelfde.

Waarom is dit belangrijk?

Vroeger keken artsen alleen naar de "foto" (de startwaarde) of probeerden ze een gemiddelde te maken. Deze nieuwe methode laat zien dat je de reis (de dynamiek) moet begrijpen om de patiënt echt te begrijpen.

Het helpt artsen om:

• Patiënten beter te categoriseren op basis van hoe hun ziekte zich ontwikkelt, niet alleen hoe het er nu uitziet.
• Betere, op maat gemaakte behandelingen te geven, omdat ze nu weten dat er verschillende "reisroutes" zijn die allemaal naar hetzelfde doel kunnen leiden.

Kortom: Dit papier is als het ontwikkelen van een nieuwe navigatiesysteem voor artsen. Het kijkt niet alleen naar waar je bent, maar vooral naar hoe je er bent gekomen en welke route je waarschijnlijk gaat nemen, zodat je de juiste afslag kunt kiezen.

Technische samenvatting

1. Probleemstelling

Het modelleren van onregelmatig gesamplede longitudinale data is cruciaal voor het begrijpen van ziekteprogressie en het verbeteren van risicopredictie, maar vormt een uitdaging in de klinische praktijk. Traditionele methoden voor clusteranalyse hebben vaak moeite met het integreren van twee verschillende soorten data:

1. Statische basislijncovariaten: Vaste kenmerken op het moment van diagnose (bijv. leeftijd, geslacht, aanwezigheid van specifieke symptomen).
2. Longitudinale biomarkertrajecten: Tijdsafhankelijke metingen (bijv. serumcreatinine) die onregelmatig in de tijd worden verzameld en per patiënt variëren in aantal en timing.

Bestaande methoden negeren vaak de temporele dynamiek of reduceren longitudinale data tot samenvattende statistieken, wat leidt tot het verlies van complexe trajectpatronen. Er is een gebrek aan onbewaakte (unsupervised) frameworks die deze heterogene databronnen unificeren om latente subgroepen te ontdekken.

2. Methodologie

De auteurs stellen een nieuw multi-view mengselmodel (multi-view mixture model) voor dat statische en longitudinale data binnen één probabilistisch klasterramingkader integreert.

Kerncomponenten:

• Twee-View Framework:

  • View 1 (Statisch): Een vector met vaste dimensie. Omdat de data zowel numeriek als categorisch is, wordt eerst PCAmix (Principal Component Analysis voor numerieke variabelen en Multiple Correspondence Analysis voor categorische variabelen) toegepast om een continue, lage-dimensionale representatie te creëren. Deze wordt gemodelleerd als een multivariate normale verdeling per cluster.
  • View 2 (Longitudinaal): Een reeks metingen op individuele tijdstippen. Dit wordt gemodelleerd met Neural Ordinary Differential Equations (Neural ODEs). Een Neural ODE leert een gladde, continue latent traject $z(t)$ die de dynamiek van de biomarker beschrijft, ongeacht de onregelmatige sampling. De observaties worden verondersteld normaal verdeeld rondom deze latent traject.

• Probabilistische Integratie:
  Het model veronderstelt dat er $K^{(1)}$ clusters voor de statische view en $K^{(2)}$ clusters voor de longitudinale view zijn. Een gezamenlijke kansverdeling $\pi$ (een tensor) koppelt deze views. Een observatie kan dus tegelijkertijd tot een specifiek statisch cluster en een specifiek longitudinaal cluster behoren.

• Schatting en Optimalisatie (EM-algoritme):
  De parameters worden geschat met een Expectation-Maximization (EM) algoritme:

  • E-stap: Berekening van de posterior-kansen voor de gezamenlijke cluster-toewijzing.
  • M-stap: Update van de parameters. Voor de statische view zijn er gesloten vormen voor gemiddelde en covariantie. Voor de longitudinale view worden de parameters van de Neural ODE (neuraal netwerkgewichten, initiële condities, variantie) geoptimaliseerd via numerieke methoden (Adam-optimizer).
  • Sparsiteits-inducerende straf: Om interpreteerbare subgroepen te vinden en overfitting te voorkomen, wordt een log-penalty toegepast op de gezamenlijke kansen $\pi$. Dit straft kleine kansen af en drijft niet-relevante combinaties naar nul, waardoor de tensor $\pi$ schaars (sparse) wordt.

• Modelselectie:
  Vanwege de complexe aard van Neural ODEs (waarbij het aantal parameters niet direct overeenkomt met modelcomplexiteit) worden traditionele criteria zoals AIC/BIC vermeden. In plaats daarvan wordt K-voudige cross-validated log-likelihood gebruikt om het optimale aantal clusters te bepalen.

3. Belangrijkste Bijdragen

1. Unificatie van Data-types: Het eerste framework dat statische covariaten en onregelmatig gesamplede longitudinale trajecten direct combineert in een onbewaakt clusteringmodel.
2. Gebruik van Neural ODEs: Toepassing van Neural ODEs binnen een mengselmodel om continue tijdsdynamiek te modelleren zonder discretisatie, wat ideaal is voor klinische data met wisselende meetfrequenties.
3. Interpreteerbaarheid: Door de invoering van een sparsiteits-inducerende log-penalty in de EM-stap, worden duidelijke, interpreteerbare subgroepen gegenereerd in plaats van een "dichte" verdeling van alle mogelijke combinaties.
4. Toepassing op AAV: Een robuuste toepassing op een cohort van patiënten met ANCA-geassocieerde vasculitis (AAV) in Ierland, waarbij complexe klinische trajecten worden ontrafeld.

4. Resultaten

Simulatiestudies:

• Het model slaagt erin om de ware parameters (gemiddelden, covarianties, trajecten) nauwkeurig te herstellen, met name bij grotere steekproefomvang ($N=1000$).
• De Adjusted Rand Index (ARI) bereikte 1.000, wat aangeeft dat de clusteringstructuur perfect werd hersteld.
• Cross-validated log-likelihood bleek een effectieve maatstaf voor modelselectie om het juiste aantal clusters te vinden.
• De prestaties waren robuust voor verschillende waarden van de sparsiteitsparameter $\lambda$, met een optimum rond $\lambda = 0.1$.

Toepassing op AAV-data (Ierse Cohort):

• Data: 282 patiënten met longitudinale creatinine-metingen en 17 statische basislijnvariabelen.
• Optimale Configuratie: Een $2 \times 2$ configuratie (2 statische clusters, 2 longitudinale clusters) leverde de beste cross-validated likelihood op.
• Gevonden Subgroepen:
  • Longitudinale Clusters:
    • Cluster 1 (Ls): Stabiele, lage creatininespiegels (~100 µmol/L).
    • Cluster 2 (Lv): Hoge en variabelere creatininespiegels, indicatief voor nierfunctieverlies.
  • Statische Clusters:
    • Spo (Pauci-Organ Low Inflammation): Lagere frequentie van systemische symptomen, vaak MPO-ANCA positief.
    • Sim (Inflammatory Multi-system): Hoge frequentie van multi-systeem betrokkenheid, vaak PR3-ANCA positief.
• Klinische Inzichten:
  • De grootste subgroep (45,6% van de cohort) bestond uit patiënten met het Sim-profiel en het stabiele Ls-traject.
  • Er werd geen significant verschil gevonden in de verdeling van End-Stage Kidney Disease (ESKD) uitkomsten of Berden-bioptklassen (focaal, maanvormig, gemengd, sclerotisch) tussen de vier gedefinieerde multi-view clusters. Dit suggereert dat hoewel de phenotypische en traject-variabiliteit groot is, deze specifieke subgroepen op korte termijn niet sterk correleren met de ernst van de nierbiopie of het uiteindelijke nierfalen in deze dataset.

5. Betekenis en Toekomstperspectief

Dit onderzoek biedt een krachtig, flexibel raamwerk voor de analyse van complexe biomedische data. Het demonstreert dat het combineren van statische kenmerken met continue tijdsdynamiek waardevolle inzichten kan bieden in ziekteheterogeniteit die met traditionele methoden gemist zouden worden.

Toekomstige uitbreidingen die door de auteurs worden voorgesteld, omvatten:

• Uitbreiding naar multivariate longitudinale views (meerdere biomarkers tegelijk modelleren).
• Het vervangen van de Gaussische aannames door niet-Gaussische likelihoods om schuine verdelingen of heteroscedasticiteit in klinische data beter te modelleren.

Samenvattend biedt dit model een nieuwe standaard voor het ontdekken van subgroepen in longitudinale medische studies, met name voor zeldzame ziekten zoals AAV waar patiënttrajecten sterk variëren.