Clustering of Disease Trajectories with Explainable Machine Learning: A Case Study on Postoperative Delirium Phenotypes

本文旨在探讨精准医疗的基本组成部分之一——在复杂疾病或综合征中鉴定表型。术后谵妄（POD）是一种复杂的神经精神疾病，其临床表现和潜在病理生理学存在显著的异质性。我们假设POD包含数个不同的表型，在临床实践中不能直接观察到。鉴定这些表型可以增强我们对POD发病机制的理解，并有助于开发有针对性的预防和治疗策略。本文提出了一种方法，将监督式机器学习用于个性化POD风险预测，结合无监督式聚类技术来发现潜在的POD表型。我们首先使用合成数据演示了我们的方法，其中我们根据不同的信息特征集合模拟了具有预定义表型的患者队列。我们的合成数据生成方法可以模拟任何临床疾病。通过训练预测模型并应用SHAP，我们展示了在SHAP特征重要性空间中聚类患者可以成功地恢复真实的潜在表型，优于在原始特征空间中聚类。然后，我们使用一组老年手术患者的真实数据进行了案例研究。结果展示了我们的方法在发现像POD这样的复杂疾病的临床相关亚型方面的实用性，为更精确、个性化的治疗策略铺平了道路。

本论文旨在探讨手术后谵妄（POD）的不同表型，以便更好地理解POD的病理生理机制，并为针对性的预防和治疗策略提供帮助。

该论文提出了一种方法，将监督机器学习用于个性化POD风险预测，并结合无监督聚类技术来发现潜在的POD表型。

论文使用合成数据和真实世界数据进行了实验，展示了该方法在发现POD亚型方面的实用性和可行性。SHAP被用来解释模型的预测结果，以帮助发现潜在的POD表型。该方法为研究POD病理生理机制和开发个性化治疗策略提供了新思路。

在POD领域的相关研究中，一些研究使用了机器学习方法来预测POD风险，但很少有研究探讨POD的不同表型。