[論文レビュー] A Factored Generalized Additive Model for Clinical Decision Support in the Operating Room

Zhicheng Cui, Bradley A. Fritz+3 more|arXiv (Cornell University)|Jul 29, 2019

Hemodynamic Monitoring and Therapy参考文献 18被引用数 14

ひとこと要約

本稿では、動的で時間に依存する生命徴収値と静的患者特徴を相互に作用させるようにモデル化することで、手術室における臨床意思決定支援を向上させる要因分解一般化加法モデル（F-GAM）を提案する。F-GAMは、標準的なロジスティック回帰や他の機械学習モデルよりも予測性能を向上させるとともに、個別化された特徴効果曲線を保ち、急性腎障害および急性呼吸不全の予測において優れたAUPRCおよびAUROCを示した。

ABSTRACT

Logistic regression (LR) is widely used in clinical prediction because it is simple to deploy and easy to interpret. Nevertheless, being a linear model, LR has limited expressive capability and often has unsatisfactory performance. Generalized additive models (GAMs) extend the linear model with transformations of input features, though feature interaction is not allowed for all GAM variants. In this paper, we propose a factored generalized additive model (F-GAM) to preserve the model interpretability for targeted features while allowing a rich model for interaction with features fixed within the individual. We evaluate F-GAM on prediction of two targets, postoperative acute kidney injury and acute respiratory failure, from a single-center database. We find superior model performance of F-GAM in terms of AUPRC and AUROC compared to several other GAM implementations, random forests, support vector machine, and a deep neural network. We find that the model interpretability is good with results with high face validity.

研究の動機と目的

• 線形モデル（例：ロジスティック回帰）が臨床データ内の複雑な非線形関係を捉えることの限界を解消すること。
• 従来の一般化加法モデル（GAMs）における特徴の相互作用の欠如および時間に依存する特徴と静的特徴の処理が不十分である問題を克服すること。
• 臨床医がリアルタイムの術中意思決定支援において、説明可能で実行可能（行動可能）な解釈性を備えたモデルを維持すること。
• 急性腎障害および急性呼吸不全を含む術後合併症の予測精度を向上させること。
• 特徴の寄与度をリアルタイムで可視化し、迅速な臨床意思決定を支援すること。

提案手法

• F-GAMは、入力特徴を静的（例：年齢、性別）および時間に依存する（例：心拍数、血圧）成分に分解する。
• 時間に依存する特徴の効果は、静的特徴に依存する重み $ w_t( extbf{x}^S) $ でスケーリングされた、学習された文脈依存関数としてモデル化される。
• 深層ニューラルネットワークを用いて、静的および時間に依存する特徴の非線形変換を学習し、高い柔軟性を実現する。
• 特徴の寄与度は $ w_t( extbf{x}^S) f_t(x_t^{TV}) $ として計算され、リアルタイム解釈のための個別化されたリスク寄与度曲線が可能になる。
• 最小限のハイパーパrameterでエンドツーエンドに訓練されるため、複雑さが低減され、一般化性能が向上する。
• 時間に依存する特徴が存在しない場合、標準的なDNNに還元され、静的特徴が存在しない場合、DELRに還元される。

実験結果

リサーチクエスチョン

• RQ1 要因分解モデルアプローチは、予測性能を向上させつつ、モデルの解釈性を維持できるか？
• RQ2 静的患者特徴と時間に依存する生命徴収値の間の相互作用は、急性腎障害および急性呼吸不全のリスク予測にどのように影響するか？
• RQ3 個別化された特徴効果曲線が、リアルタイムで実行可能な臨床意思決定をどの程度支援できるか？
• RQ4 F-GAMは、これらの臨床的アウトカムにおいて、標準GAM、ロジスティック回帰、および他の機械学習モデルと比較してAUPRCおよびAUROCの面で優れているか？
• RQ5 モデルの予測値および特徴寄与度曲線は、臨床的直感および既知の生理学的関係と整合性を示しているか？

主な発見

• F-GAMは、急性腎障害および急性呼吸不全の両方の予測タスクにおいて、ロジスティック回帰、他のGAM変種、ランダムフォレスト、サポートベクターマシン、および深層ニューラルネットワークと比較して優れた性能を達成した。
• すべてのベースラインモデルと比較して、AUPRCおよびAUROCが高く、リスク予測における識別力および精度が向上した。
• 特徴寄与度曲線は、重症患者において最大心拍数の上昇とリスク増加の臨床的に妥当な関連性を示し、麻酔科医の直感と一致した。
• モデルは、低用量フェニレフリン投与が単独で急性腎障害リスクの低下と関連していることを示したが、これは因果関係ではなく、潜在的な循環動態の不安定性を反映している可能性がある。
• 患者の状態（例：疾患の重症度）に応じて特徴効果をスケーリングできる能力により、個別化されたリスク評価が可能となり、勾配が急であるほど時間に依存する特徴の変化に対する感受性が高くなることが示された。
• 特徴寄与度の可視化により、臨床医は高負荷の術中状況において、迅速に主要なリスク要因を特定でき、意思決定を迅速化する支援がなされた。