理解知识图谱何时及如何为帕金森病、多发性硬化和慢性疼痛的电子健康记录临床预测增添价值
Understanding when and how knowledge graphs add value to EHR-based clinical prediction across Parkinson’s disease, multiple sclerosis, and chronic pain
一句话比较知识图谱整合策略,发现队列子图可节省计算成本,但预测收益取决于疾病。
研究问题
数据与样本
分析流程
- 1构建疾病队列:依据ICD-9/10编码识别3种疾病,排除继发性帕金森综合征及急性疼痛编码。
- 2匹配病例与对照:以记录中可映射至SPOKE的不同概念数衡量医疗利用足迹,实施1:1不放回贪婪匹配。
- 3映射临床概念:通过UMLS CUI、Disease Ontology、DrugBank和LOINC将诊断、用药和实验室概念映射至SPOKE,生成二元患者×SEP矩阵。
- 4识别并去除标签泄漏:以单侧Fisher精确检验及Benjamini–Hochberg校正筛选候选节点,结合对照患病比例和临床含义剔除标签代理特征,每个队列保留3,178个特征。
- 5构建比较策略:设置无图、概念图、队列图、疾病图和全图策略,慢性疼痛因疾病种子邻域过小不构建疾病图。
- 6生成图表征并评估:图策略使用修正的个性化PageRank计算PSEV,无图基线以原始二元SEP特征训练随机森林,并在一致计算和分析参数下比较分类性能与计算成本。
- 7检验结果稳健性与解释:比较不同泄漏去除严格程度,并分析图扩散是否将已有疾病信号重新分配至相关特征。
关键方法与工具
- SPOKE
- 提供生物医学知识图谱
- UMLS
- 映射诊断概念
- DrugBank
- 映射用药概念
- LOINC
- 映射实验室概念
- Fisher’s exact test
- 筛选富集候选泄漏节点
- Benjamini–Hochberg
- 校正多重检验
- personalized PageRank
- 扩散生成患者图表征
- random forest
- 训练无图分类基线
设计思路
主要发现
- 队列衍生子图包含约45%的SPOKE节点和五分之一的边,在3种疾病中的性能均达到或略高于全图,同时显著减少计算成本。
- KG整合改善帕金森病分类,对多发性硬化无可测量影响,并降低慢性疼痛分类性能。
- 向分子特征转移的幅度不能解释预测收益:转移幅度最大的疾病没有改善,唯一获益的疾病仅有适度转移。
- 图扩散主要将已有疾病信号重新分配到多个相关特征,而非增加独立生物学信号。
- 采用较宽松或完整的标签泄漏去除方案,研究结论均未改变。
可借鉴之处
- 开展临床知识图谱建模时,可像本文一样同时设置无图、局部子图和全图比较,判断额外计算成本是否带来实际预测收益。
- 可结合特征富集检验、完整对照池中的出现比例及临床语义识别标签代理,再用不同剔除严格程度验证结论是否依赖泄漏特征。
- 评估图表征时,不只观察分子特征是否增多,还应检验新增表征是否提供超出原始EHR的独立信息。
数据与代码
局限
- 所有患者数据来自UCSF Medical Center单中心。
- 匹配时无法获得人口学变量,因此仅按医疗利用足迹匹配。
- 使用的SPOKE早期版本明显小于当前版本,比较结果受所用图谱规模与覆盖范围约束。
- 慢性疼痛在SPOKE中缺少独立Disease节点,其两个相关外围节点仅有13个邻居,无法纳入疾病中心图策略比较。
摘要(中文翻译)
生物医学知识图谱(KGs)已成为将生物学知识纳入基于电子健康记录(EHR)数据训练的机器学习模型的一种有前景的方法。然而,其庞大的规模和异质性结构带来了可观的计算成本,其获益能否推广至不同疾病,或是否取决于图的构建方式,目前仍不清楚。我们在具有不同生物学和临床特征的3种疾病中系统评估了KG整合:多发性硬化、帕金森病和慢性疼痛。针对每种疾病,我们比较了5种建模策略,涵盖仅使用EHR特征,以及在概念层级、队列衍生、疾病锚定子图和完整SPOKE(Scalable Precision Medicine Open Knowledge Engine)图上进行图扩散,以考察图构建是否影响预测性能和计算成本、KG整合是否较仅使用EHR的模型改善分类,以及图如何影响模型行为。队列衍生子图包含约45%的SPOKE节点和五分之一的边,在全部3种疾病中的性能均达到或略高于完整图,同时显著降低计算成本。然而,KG整合的预测收益高度依赖于疾病:它改善了帕金森病的分类,对多发性硬化没有可测量的影响,并降低了慢性疼痛的预测性能。这些差异不能由纳入的生物学信息量解释:向分子特征转移幅度最大的疾病并未获得改善,唯一获益的疾病仅出现适度转移,而未出现分子特征转移的疾病性能反而下降。从机制上看,图扩散将每种疾病已有的信号重新分配至许多相关特征,而非增加独立的生物学信号,因此任何收益都取决于其是否提供了超出EHR的信息。这些发现表明,队列衍生子图可作为全规模知识图谱的一种计算高效的替代方案,而KG整合与其说是普遍提升准确性的工具,不如说是一种依赖数据和疾病的患者表征转换方式。
英文原文摘要
Biomedical knowledge graphs (KGs) have emerged as a promising approach for incorporating biological knowledge into machine-learning models trained on electronic health record (EHR) data. However, their large scale and heterogeneous structure impose substantial computational cost, and it remains unclear whether their benefits generalize across diseases or depend on how the graph is constructed. We systematically evaluated KG integration across three diseases spanning distinct biological and clinical characteristics: multiple sclerosis, Parkinson’s disease, and chronic pain. For each disease we compared five modelling strategies, spanning EHR-only features and graph diffusion over concept-level, cohort-derived, disease-anchored, and full SPOKE (Scalable Precision Medicine Open Knowledge Engine) subgraphs, asking whether graph construction affects predictive performance and computational cost, whether KG integration improves classification over EHR-only models, and what the graph does to model behavior. Cohort-derived subgraphs, comprising roughly 45% of SPOKE’s nodes and one-fifth of its edges, matched or modestly exceeded the full graph’s performance while substantially reducing computational cost in all three diseases. The predictive benefit of KG integration, however, was strongly disease-dependent: it improved classification in Parkinson’s disease, had no measurable effect in multiple sclerosis, and reduced performance in chronic pain. These differences were not explained by the amount of biological information incorporated: the disease with the largest shift toward molecular features showed no improvement, the sole beneficiary showed only a modest shift, and the disease with no molecular shift was penalized. Mechanistically, graph diffusion redistributed each disease’s existing signal across many correlated features rather than adding independent biological signal, so that any gain depended on whether it added information beyond the EHR. These findings show that cohort-derived subgraphs offer a computationally efficient alternative to full-scale knowledge graphs, and that KG integration functions less as a universal accuracy booster than as a data- and disease-dependent transformation of the patient representation.
摘要来自 Europe PMC。翻译与解读由模型根据摘要和开放获取全文的方法部分生成,可能有误,不构成诊疗建议;数据以原文为准,版权归原出版方所有。