Longitudinal deep learning clustering of Type 2 Diabetes Mellitus trajectories using routinely collected health records
Manzini, Enrico (Institut de Recerca Sant Joan de Déu)
Vlacho, Bogdan (DAP-Cat Group. Unitat de Suport a la Recerca. Fundaciò Institut Universitari per a la recerca a l'Atenciò Primària de Salut Jordi Gol i Gurina (IDIAPJGol))
Franch-Nadal, Josep (Institut Català de la Salut. Centre d'Atenció Primària Raval Sud (Barcelona, Catalunya))
Escudero, J. (Grupo Pulso)
Génova, A. (Grupo Pulso)
Reixach, Elisenda (Generalitat de Catalunya. Departament de Salut)
Andrés, E. (Generalitat de Catalunya. Departament de Salut)
Pizarro, I. (Novo Nordisk)
Portero, J.L. (Novo Nordisk)
Mauricio Puente, Dídac (Institut d'Investigació Biomèdica Sant Pau)
Perera Lluna, Alexandre (Institut de Recerca Sant Joan de Déu)

Fecha:	2022
Resumen:	Type 2 diabetes mellitus (T2DM) is a highly heterogeneous chronic disease with different pathophysiological and genetic characteristics affecting its progression, associated complications and response to therapies. The advances in deep learning (DL) techniques and the availability of a large amount of healthcare data allow us to investigate T2DM characteristics and evolution with a completely new approach, studying common disease trajectories rather than cross sectional values. We used an Kernelized-AutoEncoder algorithm to map 5 years of data of 11,028 subjects diagnosed with T2DM in a latent space that embedded similarities and differences between patients in terms of the evolution of the disease. Once we obtained the latent space, we used classical clustering algorithms to create longitudinal clusters representing different evolutions of the diabetic disease. Our unsupervised DL clustering algorithm suggested seven different longitudinal clusters. Different mean ages were observed among the clusters (ranging from 65. 3±11. 6 to 72. 8±9. 4). Subjects in clusters B (Hypercholesteraemic) and E (Hypertensive) had shorter diabetes duration (9. 2±3. 9 and 9. 5±3. 9 years respectively). Subjects in Cluster G (Metabolic) had the poorest glycaemic control (mean glycated hemoglobin 7. 99±1. 42%), while cluster E had the best one (mean glycated hemoglobin 7. 04±1. 11%). Obesity was observed mainly in clusters A (Neuropathic), C (Multiple Complications), F (Retinopathy) and G. A dashboard is available at dm2. b2slab. upc. edu to visualize the different trajectories corresponding to the 7 clusters.
Ayudas:	Ministerio de Economía y Competitividad TEC2014-60337-R Ministerio de Economía y Competitividad DPI2017-89827-R European Commission. Horizon 2020 780262
Nota:	Altres ajuts: Networking Biomedical Research Centre in the subject area of Bioengineering, Biomaterials and Nanomedicine (CIBER-BBN); Instituto de Investigación Carlos III (ISCIII); CIBER of Diabetes and Associated Metabolic Diseases (CIBERDEM).
Derechos:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.
Lengua:	Anglès
Documento:	Article ; recerca ; Versió publicada
Materia:	Type 2 diabetes ; Deep learning ; Longitudinal cluster ; AutoEncoder ; Diabetic complications ; Electronic health records
Publicado en:	Journal of Biomedical Informatics, Vol. 135 (november 2022) , p. 104218, ISSN 1532-0464

DOI: 10.1016/j.jbi.2022.104218
PMID: 36216232

9 p, 1.3 MB

El registro aparece en las colecciones:
Documentos de investigación > Documentos de los grupos de investigación de la UAB > Centros y grupos de investigación (producción científica) > Ciencias de la salud y biociencias > Institut de Recerca Sant Pau
Artículos > Artículos de investigación
Artículos > Artículos publicados