원문 발췌 (English Original)

Disease Progression Modelling and Stratification for detecting sub-trajectories in the natural history of pathologies: application to Parkinson’s Disease trajectory modelling Alessandro Viani1, Boris A. Gutman2, Emile d’Angremont3, and Marco Lorenzi12024 1 Epione Research Team, Inria Center of Université Côte d’Azur, Sophia Antipolis, France, 2 Illinois Institute of Technology, Department of Biomedical Engineering, USADec 3 Amsterdam University Medical Center, Department of Anatomy and Neurosciences, The Netherlands18 alessandro.viani@inria.fr Abstract. Modelling the progression of Degenerative Diseases (DD) is essential for detection, prevention, and treatment, yet it remains chal- lenging due to the heterogeneity in disease trajectories among individu- als. Factors such as demographics, genetic conditions, and lifestyle con- tribute to diverse phenotypical manifestations, necessitating patient strat-[math.OC] ification based on these variations. Recent methods like Subtype and Stage Inference (SuStaIn) have advanced unsupervised stratification of disease trajectories, but they face potential limitations in robustness, in- terpretability, and temporal granularity. To address these challenges, we introduce Disease Progression Modelling and Stratification (DP-MoSt), a novel probabilistic method that optimises clusters of continuous trajec- tories over a long-term disease time-axis while estimating the confidence of trajectory sub-types for each biomarker. We validate DP-MoSt using both synthetic and real-world data from the Parkinson’s Progression Markers Initiative (PPMI). Our results demon- strate that DP-MoSt effectively identifies both sub-trajectories and sub- populations, and is a promising alternative to current state-of-the-art models. Keywords: Disease Progression Modelling · Expectation Maximisation · Parkinson DiseasearXiv:2412.13608v1 1 Introduction Modelling the progression of Degenerative Diseases (DD) is crucial for detection, prevention, and treatment purposes [9]. This task is challenging due the gener- ally large heterogeneity of disease trajectories observed across subjects. Despite a common degenerative process, the manifestation of symptoms and the config- uration of biomarkers may vary widely among individuals, due for example to 2 A. Viani B. Gutman E. d’Angremont M. Lorenzi demographics, genetics…

발췌문 번역 (Korean Translation)

병리의 자연사에서 하위 주체를 탐지하기위한 질병 진행 모델링 및 계층화 : 파킨슨 병 궤적 모델링 Alessandro Viani1, Boris A. Gutman2, Emile D ‘Angremont3 및 Marco Lorenzi12024 1 Epione Research Team, Université icô, 2 일 Illinic, 2 일 Illini of Interitor, 2 allini of interitor, inria interitor, inrias interity of initi of initi of initi of interital. USADEC 3 Amsterdam University Medical Center, Netherlands18 Alessandro.viani@inria.fr Abstract의 기술, USADEC 3 Amsterdam University Medical Center 기술 기술. 퇴행성 질환 (DD)의 진행을 모델링하는 것은 탐지, 예방 및 치료에 필수적이지만, 개별적으로 질병 궤적의 이질성으로 인해 여전히 곤란한 상태로 남아 있습니다. 인구 통계, 유전 적 상태 및 라이프 스타일과 같은 요인은 다양한 표현형 표현에 기여하여 이러한 변형에 기초하여 환자의 Strat- [Math.oc]이면이 필요합니다. 하위 유형 및 단계 추론 (Sustain)과 같은 최근의 방법은 질병 궤적의 감독되지 않은 계층화를 발전 시켰지만, 견고성, 무능력 및 시간적 입상의 잠재적 한계에 직면합니다. 이러한 과제를 해결하기 위해, 우리는 질병 진행 모델링 및 계층화 (DP-Most)를 소개합니다. DP-Most (DP-Most), 장기 질병 시간 축에 대해 연속적인 외상성 클러스터를 최적화하면서 각 바이오 마커에 대한 궤적 하위 유형의 신뢰를 추정하는 새로운 확률 적 방법을 소개합니다. 우리는 Parkinson의 Progression Markers Initiative (PPMI)의 합성 및 실제 데이터를 사용하여 DP-Most를 검증합니다. 우리의 결과는 DP-Most가 하위 주체와 하위 인구를 효과적으로 식별하고 현재의 최첨단 모델에 대한 유망한 대안이라고 전략적으로 전략적으로 나타냅니다. 키워드 : 질병 진행 모델링 · 기대 최대화 · Parkinson DiseaseAseAseAsiv : 2412.13608V1 1 소개 퇴행성 질환 (DD)의 진행은 탐지, 예방 및 치료 목적에 중요합니다 [9]. 이 과제는 대상에 걸쳐 관찰 된 질병 궤적의 큰 이질성으로 인해 어려움을 겪고 있습니다. 일반적인 퇴행성 과정에도 불구하고, 증상의 징후와 바이오 마커의 구성은 예를 들어 2 A. Viani B. Gutman E. Angremont M. Lorenzi 인구 통계, 유전학으로 인해 개인마다 크게 다를 수 있습니다.