[論文レビュー] An attention model to analyse the risk of agitation and urinary tract infections in people with dementia

Honglin Li, Roonak Rezvani+6 more|arXiv (Cornell University)|Jan 18, 2021

Machine Learning in Healthcare参考文献 36被引用数 4

ひとこと要約

本研究では、認知症を有する人々におけるけいれんおよび尿路感染症（UTI）の早期発見を目的として、注目メカニズムと合理化を組み合わせた深層学習モデルを提案する。モデルは時系列データを処理し、重要なパターンを同定し、91%の再現率と83%の正確性を達成した。また、臨床意思決定のための解釈可能性のある予測を提供するため、関連する時間ステップと特徴を強調表示する。

ABSTRACT

Behavioural symptoms and urinary tract infections (UTI) are among the most common problems faced by people with dementia. One of the key challenges in the management of these conditions is early detection and timely intervention in order to reduce distress and avoid unplanned hospital admissions. Using in-home sensing technologies and machine learning models for sensor data integration and analysis provides opportunities to detect and predict clinically significant events and changes in health status. We have developed an integrated platform to collect in-home sensor data and performed an observational study to apply machine learning models for agitation and UTI risk analysis. We collected a large dataset from 88 participants with a mean age of 82 and a standard deviation of 6.5 (47 females and 41 males) to evaluate a new deep learning model that utilises attention and rational mechanism. The proposed solution can process a large volume of data over a period of time and extract significant patterns in a time-series data (i.e. attention) and use the extracted features and patterns to train risk analysis models (i.e. rational). The proposed model can explain the predictions by indicating which time-steps and features are used in a long series of time-series data. The model provides a recall of 91\% and precision of 83\% in detecting the risk of agitation and UTIs. This model can be used for early detection of conditions such as UTIs and managing of neuropsychiatric symptoms such as agitation in association with initial treatment and early intervention approaches. In our study we have developed a set of clinical pathways for early interventions using the alerts generated by the proposed model and a clinical monitoring team has been set up to use the platform and respond to the alerts according to the created intervention plans.

研究の動機と目的

• 認知症を有する人々におけるけいれんおよび尿路感染症（UTI）の早期発見の課題に対処すること。これらは入院の主な原因であり、苦痛を伴う。
• 在宅モニタリングからのノイズが多く、高次元な時系列センサー・データを扱う際、従来の機械学習モデルの限界を克服すること。
• 予測精度を向上させるだけでなく、臨床意思決定のための解釈可能な説明を提供するモデルを開発すること。
• モニタリングチームを統合した実世界の臨床プロセスにモデルを統合し、タイムリーで個人中心の介入を可能にすること。
• センサー・データからの自動アラートに基づく早期で的確な臨床的対応を可能にすることで、予期しない入院を削減すること。

提案手法

• モデルは二重アーキテクチャーフレームワークを採用する：長期間のセンサー・データにおける情報量の多い時間ステップをフィルタリング・優先順位付けする注目メカニズムと、予測の根拠を特定するための合理化ブロック。
• 注目メカニズムは、時間経過に伴う入力特徴を動的に重み付けし、活動の変化や不規則な運動パターンなどの臨床的関連パターンに注目する。
• 合理化ブロックは、予測に最も寄与したセンサー入力および時間間隔を強調表示することで、解釈可能な説明を生成し、臨床的信頼性と透明性を向上させる。
• クラスの不均衡を是正するため、ファーコース損失を用いて、UTI や重度のけいれんなどまれだが重要なイベントの性能を向上させる。
• 複数の在宅センサー（例：運動センサー、ドアセンサー、環境条件）からのデータ統合により、日常行動および健康状態の包括的把握を実現する。
• 予測結果は、訓練を受けたスタッフが症状を検証し、薬物療法以外の介入や医療的対応を開始する臨床モニタリング・プロセスでアラートを発動する。

実験結果

リサーチクエスチョン

• RQ1 注目に基づく深層学習モデルは、在宅センサー情報に基づいて認知症患者のけいれんおよびUTIの兆候を効果的に早期に検出できるか？
• RQ2 注目と合理化の統合が、従来の機械学習モデルと比較して、予測性能および解釈可能性をどのように向上させるか？
• RQ3 モデルの説明は、実際のケア環境において、臨床的意思決定および早期介入をどの程度支援できるか？
• RQ4 モデルは、UTI などまれだが重要なイベントに対して、不均衡な臨床データセットをどの程度効果的に処理できるか？
• RQ5 モデルのアラートは、在宅で生活する認知症患者の集団において、入院を減らし、ケアの結果を改善するのにどの程度効果的か？

主な発見

• 提案されたモデルは、在宅センサー情報に基づいてけいれんおよびUTIのリスクを検出する際、91%の再現率と83%の正確性を達成した。
• 注目メカニズムは、冗長でノイズの多いデータを効果的にフィルタリングし、長期間の時系列データにおける臨床的関連時間ステップと特徴に焦点を当てた。
• 合理化ブロックは、特定のセンサー入力および時間的パターンが予測に寄与したことを特定することで、解釈可能な説明を提供し、臨床的信頼性を向上させた。
• ファーコース損失の使用により、特にUTI などのまれなイベントにおいて、モデルの性能が顕著に向上した。
• アラートが発動する形で、モニタリングチームによる即時の対応（訪問や一般医への紹介など）が可能となり、治療の遅延リスクが低下した。
• 本システムは、症状の悪化を防ぐ早期で個人中心の介入を可能にすることで、予期しない入院の削減に潜在的効果を示した。