PhenoSS: Phenotype semantic similarity-based approach for rare disease prediction and patient clustering

PhenoSS is een statistisch onderbouwde, schaalbare methode die de hiërarchische structuur en onderlinge afhankelijkheden van HPO-termen modelleert om zeldzame ziekten nauwkeuriger te voorspellen en patiënten te clusteren, terwijl het ook batch-effecten corrigeert.

De kern

PhenoSS: De Slimme Vertaler voor Zeldzame Ziektes

Stel je voor dat elke ziekte een uniek verhaal heeft, geschreven in een heel speciale taal. Voor zeldzame ziektes is deze taal de HPO (Human Phenotype Ontology). Het is een enorme bibliotheek van symptomen, van "rode vlekken" tot "vertraagde ontwikkeling", die allemaal met elkaar verbonden zijn, net als takken op een boom.

Het probleem? Artsen schrijven deze symptomen niet altijd op dezelfde manier. Soms is een arts heel specifiek ("zeer ernstige vertraagde ontwikkeling"), terwijl een ander arts hetzelfde bedoelt maar het algemener noemt ("ontwikkelingsachterstand"). Ook gebruiken verschillende ziekenhuizen verschillende woorden voor hetzelfde. Dit maakt het voor computers heel lastig om te begrijpen welke patiënt bij welke ziekte hoort. Het is alsof je probeert een puzzel op te lossen, maar de stukjes komen uit verschillende dozen met verschillende vormen.

Wat is PhenoSS?
De onderzoekers hebben PhenoSS bedacht. Dit is een slim computerprogramma dat fungeert als een super-vertaler en detective in één. Het helpt om:

1. Patiënten met elkaar te vergelijken (clustering).
2. De juiste zeldzame ziekte te raden op basis van hun symptomen (voorspelling).

Hoe werkt het? (Met analogieën)

• De Boom van Symptomen:
  Stel je de HPO-bibliotheek voor als een gigantische boom. De wortels zijn heel algemene dingen (zoals "ziek zijn") en de takken worden steeds specifieker (zoals "een specifieke vorm van epilepsie"). PhenoSS kijkt niet alleen naar het woord, maar naar waar het woord in de boom hangt. Als twee patiënten symptomen hebben die dicht bij elkaar in de boom hangen, begrijpt PhenoSS dat ze op elkaar lijken, zelfs als ze niet exact hetzelfde woord gebruiken.

• Het Moeilijke Puzzelstukje (De Correlatie):
  Vroeger dachten computers: "Symptoom A en Symptoom B zijn onafhankelijk van elkaar." Maar in het echt hangen symptomen vaak samen. Als iemand een bepaalde vorm van epilepsie heeft, heeft die persoon vaak ook een bepaald type gezichtskenmerk. PhenoSS gebruikt een wiskundige truc (een Gaussian copula) die dit als een web van verbindingen ziet. Het begrijpt dat bepaalde symptomen vaak samen voorkomen, net zoals je niet vaak een paraplu ziet zonder regen. Hierdoor kan het programma veel nauwkeuriger raden wat er aan de hand is.

• De "Batch"-Probleem (De Vertaalproblemen):
  Soms komt het voor dat één ziekenhuis heel gedetailleerde verslagen schrijft en een ander ziekenhuis heel vaag. Dit heet een "batch effect". Het is alsof je een gesprek probeert te voeren met iemand die fluistert en iemand die schreeuwt; je hoort niet hetzelfde.
  PhenoSS heeft een gelijkrichter. Het kijkt naar de "diepte" van de woorden in de boom. Als een groep patiënten te vaag is, maakt het de andere groep iets vaagder (door specifieke woorden te vervangen door algemene woorden) zodat ze op hetzelfde niveau praten. Zo kunnen ze eerlijk met elkaar worden vergeleken zonder dat de vaagheid de resultaten verpest.

• De Gok met Kansen:
  Uiteindelijk moet het programma een gok doen: "Welke ziekte past het beste?" PhenoSS doet dit niet zomaar. Het berekent de kans (posterior odds) dat een patiënt ziek X heeft, gezien de symptomen. Het kijkt naar hoe vaak een symptoom voorkomt bij ziekte X versus bij alle andere ziektes. Het is alsof een detective die alle aanwijzingen verzamelt en dan zegt: "Gezien deze specifieke combinatie van aanwijzingen, is de kans 95% dat dit de dader is."

Wat hebben ze ontdekt?
De onderzoekers hebben PhenoSS getest met nep-patiënten (simulaties) en echte patiënten uit ziekenhuizen.

• Resultaat: PhenoSS werkt heel goed, zelfs als de symptomen niet perfect zijn opgeschreven of als er "ruis" in de data zit (zoals symptomen die niets met de ziekte te maken hebben).
• Vergelijking: Het doet het vaak beter dan bestaande methoden, vooral bij patiënten waarbij de symptomen vaag zijn of weinig bekend zijn.
• Snelheid: Het is snel genoeg om in de praktijk gebruikt te worden.

Conclusie
PhenoSS is als een slimme tolk die de chaotische, soms onduidelijke taal van artsen omzet in een helder beeld. Het helpt artsen om sneller de juiste diagnose te stellen voor mensen met zeldzame ziektes, door te begrijpen dat symptomen met elkaar verbonden zijn en door verschillen in hoe artsen schrijven op te lossen. Dit kan leiden tot snellere hulp en minder lange diagnoses voor patiënten.

Technische samenvatting

Probleemstelling

De systematische klinische phenotyping met behulp van de Human Phenotype Ontology (HPO) is cruciaal voor de diagnose van zeldzame ziekten. Echter, bestaande methoden voor het prioriteren van ziekten (het rangschikken van kandidaat-ziekten op basis van HPO-termen voor een patiënt) kampen met drie fundamentele beperkingen:

1. Negeren van hiërarchie: Veel methoden houden geen rekening met de hiërarchische structuur van HPO-termen (de "is-a" relaties in een gericht acyclisch grafiek).
2. Aannemen van onafhankelijkheid: Er wordt vaak ten onrechte aangenomen dat HPO-termen onafhankelijk van elkaar zijn, terwijl er in werkelijkheid sterke correlaties en afhankelijkheden bestaan tussen gerelateerde termen.
3. Batch-effecten: Systematische verschillen in hoe phenotypes worden gedocumenteerd tussen verschillende cohorten, instellingen of artsen (bijv. variatie in specificiteit van termen) leiden tot vertekening in clustering en voorspelling.

Methodologie: PhenoSS

PhenoSS is een schaalbaar, statistisch onderbouwd framework dat de volgende componenten integreert:

• Semantische Similariteit:

  • Het framework berekent de informatie-inhoud (Information Content - IC) van elke HPO-term op basis van de frequentie van associaties met ziekten in databases zoals HPO-disease en OARD (Open Annotations for Rare Diseases).
  • Voor het meten van de similariteit tussen twee termen wordt de Resnik-maat gebruikt, gebaseerd op de Meest Informatieve Gemeenschappelijke Voorouder (MICA) in de HPO-hiërarchie.
  • De similariteit tussen twee patiënten wordt berekend door de maximale similariteit tussen hun respectievelijke sets van phenotypes te sommeren, gewogen met de IC-score.

• Probabilistisch Modellering (Gaussian Copula):

  • In tegenstelling tot traditionele methoden die onafhankelijkheid veronderstellen, modelleert PhenoSS de gezamenlijke afhankelijkheid tussen HPO-termen.
  • Het gebruikt een Gaussian copula-techniek om de marginale prevalentie van elke HPO-term voor een specifieke ziekte te modelleren en deze te koppelen via een multivariate normale verdeling. Dit houdt rekening met de correlaties tussen phenotypes.
  • Op basis hiervan worden posterior odds berekend voor elke kandidaat-ziekte, wat de waarschijnlijkheid van een ziekte gegeven de waargenomen phenotypes kwantificeert.

• Batch-effect Correctie:

  • Om systematische verschillen in precisie tussen datasets te corrigeren, analyseert PhenoSS de gemiddelde diepte van HPO-termen in de hiërarchie.
  • Termen in een batch met een hogere onnauwkeurigheid (dieper in de hiërarchie, specifieker) worden gefilterd of aangepast door minder informatieve termen (dicht bij de root) te verwijderen, zodat beide batches een vergelijkbaar niveau van specificiteit hebben zonder te veel waardevolle informatie te verliezen.

• Data-integratie:

  • Het framework combineert gegevens uit de HPO-disease database (curated, expert-gedreven) en de OARD database (data-gedreven, afgeleid van miljoenen EHR-records). Dit breidt het zoekbereik uit tot bijna 9.400 zeldzame ziekten.

Belangrijkste Bijdragen

1. Statistische Innovatie: De toepassing van Gaussian copula's om de correlatie tussen HPO-termen te modelleren, wat een meer realistische benadering biedt dan de gebruikelijke onafhankelijkheidsaannames.
2. Batch-effect Correctie: Een specifieke module om verschillen in phenotyping-precisie tussen instellingen te normaliseren, wat essentieel is voor het vergelijken van patiënten uit verschillende bronnen.
3. Hybride Data-gebruik: Een flexibele strategie om zowel curated kennis (HPO-database) als real-world observaties (OARD) te combineren voor het schatten van frequenties en prevalenties.
4. Dual Functie: Het framework ondersteunt zowel patiëntclustering (voor het identificeren van subgroepen) als ziekte-prioritering (diagnoseondersteuning).

Resultaten

• Simulatiestudies:

  • PhenoSS toonde robuuste prestaties in diverse scenario's, inclusief datasets met ruis (noise) en onnauwkeurige termen (imprecision).
  • De Resnik-maat bleek de meest efficiënte keuze te zijn qua rekentijd, met vergelijkbare voorspellingnauwkeurigheid ten opzichte van andere maatstaven (Lin, Jiang-Conrath).
  • Batch-effect correctie leidde consistent tot een verbetering in de rangschikking van de ware ziekte (bijv. meer patiënten in de Top-10, Top-100).

• Real-world Data Analyse (EHR):

  • Clustering: Bij toepassing op 150 patiënten met Friedreich Ataxia, Neurofibromatose en Marfan-syndroom (uit CHOP data), slaagde PhenoSS erin om duidelijke clusters te vormen die overeenkwamen met de klinische diagnoses. De 1-NN classificatie-accuraatheid was 0,93 voor de hand-gecurateerde dataset en 0,88 voor de automatisch geëxtraheerde dataset.
  • Ziekte-prioritering: Bij testen op 271 patiënten met bekende causale genen, presteerde PhenoSS beter dan de bestaande tool Phen2Gene, vooral in de vroege rangschikking (Top-1, Top-10). De integratie van de HPO-database verbeterde de prestaties aanzienlijk ten opzichte van het gebruik van alleen OARD-data.

Significantie

PhenoSS biedt een interpreteerbaar en statistisch gefundeerd raamwerk voor het omgaan met fenotypische heterogeniteit in het onderzoek naar zeldzame ziekten. Door de afhankelijkheden tussen phenotypes expliciet te modelleren en batch-effecten te corrigeren, verbetert het de nauwkeurigheid van diagnoseondersteuning en patiëntstratificering. Het is schaalbaar en toepasbaar op andere gestructureerde klinische vocabulaires (zoals SNOMED-CT en ICD-codes), wat het een waardevol hulpmiddel maakt voor de integratie van fenomica in de routine klinische praktijk en EHR-gestuurde onderzoeken.