[論文レビュー] A Hidden Absorbing Semi-Markov Model for Informatively Censored Temporal Data: Learning and Inference

Ahmed M. Alaa, Mihaela van der Schaar|arXiv (Cornell University)|Dec 18, 2016

Bayesian Methods and Mixture Models参考文献 94被引用数 17

ひとこと要約

本稿では、電子カルテ（EHR）から得られる不規則にサンプリングされた、情報的打ち切りあり、非定常な生理時系列をモデル化するための確率的枠組みとして、隠れ吸収 Semi-Markov モデル（HASMM）を提案する。学習中に終点の臨床的アウトカムを活用するため、逆時系列の前向きフィルタリング・バックワードサンプリングモンテカルロEMアルゴリズムを採用し、離散時間埋め込みマルコフ連鎖を用いてリアルタイム推論を可能にした。これにより、集中治療室（ICU）入室を8〜9時間前倒しで予測でき、ロスマン指数よりもAUCで22%の向上を達成した。

ABSTRACT

Modeling continuous-time physiological processes that manifest a patient's evolving clinical states is a key step in approaching many problems in healthcare. In this paper, we develop the Hidden Absorbing Semi-Markov Model (HASMM): a versatile probabilistic model that is capable of capturing the modern electronic health record (EHR) data. Unlike exist- ing models, an HASMM accommodates irregularly sampled, temporally correlated, and informatively censored physiological data, and can describe non-stationary clinical state transitions. Learning an HASMM from the EHR data is achieved via a novel forward- filtering backward-sampling Monte-Carlo EM algorithm that exploits the knowledge of the end-point clinical outcomes (informative censoring) in the EHR data, and implements the E-step by sequentially sampling the patients' clinical states in the reverse-time direction while conditioning on the future states. Real-time inferences are drawn via a forward- filtering algorithm that operates on a virtually constructed discrete-time embedded Markov chain that mirrors the patient's continuous-time state trajectory. We demonstrate the di- agnostic and prognostic utility of the HASMM in a critical care prognosis setting using a real-world dataset for patients admitted to the Ronald Reagan UCLA Medical Center.

研究の動機と目的

• 電子カルテ（EHR）における不規則にサンプリングされた、時間的に相関のある、情報的打ち切りありの生理時系列をモデル化する課題に対処すること。
• 連続時間の生理的プロセスにおける非定常な臨床状態遷移を捉えることが可能な柔軟な確率的モデルを構築すること。
• EHRデータにおける終点の臨床的アウトカムを学習に活用することで、リアルタイムでの予後予測を正確に行えるようにすること。
• 集中治療の早期警告システムを改善し、ICU入室の前触れとなる患者の状態悪化を予測すること。

提案手法

• 連続的に時間発展する潜在的臨床状態を表現するため、隠れ吸収 Semi-Markov モデル（HASMM）を提案。生理的測定値はノイズが強く、不規則にサンプリングされる。
• 情報的打ち切り下でのパrameter学習を改善するため、将来の臨床的アウトカムに条件づけた、新規の前向きフィルタリング・バックワードサンプリングモンテカルロEMアルゴリズムを開発。
• E-stepにおいて逆時系列サンプリング戦略を採用し、終点のアウトカムを活用することで、潜在状態の軌跡を効率的に推定。
• 連続時間の状態軌跡におけるリアルタイム推論を可能にするために、離散時間埋め込みマルコフ連鎖を構築。
• ICU入室や死亡といった不可逆な臨床状態をモデル化するため、状態吸収を組み込む。
• 連続時間における遷移確率および滞在時間分布をモデル化するため、積分方程式と行列演算を用いる。

実験結果

リサーチクエスチョン

• RQ1 確率的モデルは、EHRから得られる不規則にサンプリングされた、情報的打ち切りあり、非定常な生理時系列を効果的に処理できるか？
• RQ2 学習中に終点の臨床的アウトカムをどのように活用すれば、潜在状態推定と予後予測の精度を向上させられるか？
• RQ3 連続時間の潜在状態モデルは、既存のリスクスコアと比較して、集中治療の悪化予測においてどの程度優れているか？
• RQ4 離散化近似を用いることで、複雑な連続時間の生理的軌跡に対するリアルタイム推論を効率的に実行できるか？
• RQ5 最新のリスクスコアシステム（例：ロスマン指数）と比較して、HASMMは予測性能でどの程度の向上を達成できるか？

主な発見

• HASMMは、ICU入室予測においてロスマン指数を22%上回るAUCを達成し、優れた prognostic 性能を示した。
• UCLA Medical Centerの実際のEHRデータを用いた実世界の評価で、HASMMはICU入室を8〜9時間も前もって正確に予測できた。
• 逆時系列のバックワードサンプリングアルゴリズムにより、将来のアウトカムに条件づけて情報的打ち切りを有効に活用し、パrameter推定の精度が向上した。
• 埋め込みマルコフ連鎖上での前向きフィルタリングアルゴリズムにより、計算コストを低く抑えながらリアルタイム推論が可能になった。
• 非定常な遷移ダイナミクスと時間依存の滞在時間分布をモデルが捉えており、臨床的進行の現実的反映を示した。
• 集中治療データセットにおける実証的検証により、モデルの頑健性と早期警告システムにおける臨床的有用性が確認された。