[論文レビュー] An Improved Multi-Output Gaussian Process RNN with Real-Time Validation for Early Sepsis Detection

Joseph Futoma, Sanjay Hariharan+6 more|arXiv (Cornell University)|Aug 19, 2017

Sepsis Diagnosis and Treatment参考文献 25被引用数 75

ひとこと要約

この研究は、ストリーミングの検査結果、バイタルサイン、および薬剤を用いて敗血症発症前を予測する改良版 MGP-RNN モデルと新しいリアルタイム検証スキームを開発します。アプローチは臨床ベースラインおよび従来モデルを上回り、リアルタイムダッシュボードでの配備を想定しています。

ABSTRACT

Sepsis is a poorly understood and potentially life-threatening complication that can occur as a result of infection. Early detection and treatment improves patient outcomes, and as such it poses an important challenge in medicine. In this work, we develop a flexible classifier that leverages streaming lab results, vitals, and medications to predict sepsis before it occurs. We model patient clinical time series with multi-output Gaussian processes, maintaining uncertainty about the physiological state of a patient while also imputing missing values. The mean function takes into account the effects of medications administered on the trajectories of the physiological variables. Latent function values from the Gaussian process are then fed into a deep recurrent neural network to classify patient encounters as septic or not, and the overall model is trained end-to-end using back-propagation. We train and validate our model on a large dataset of 18 months of heterogeneous inpatient stays from the Duke University Health System, and develop a new "real-time" validation scheme for simulating the performance of our model as it will actually be used. Our proposed method substantially outperforms clinical baselines, and improves on a previous related model for detecting sepsis. Our model's predictions will be displayed in a real-time analytics dashboard to be used by a sepsis rapid response team to help detect and improve treatment of sepsis.

研究の動機と目的

• EHR からの豊富で不規則な臨床時系列を用いた早期敗血症検知の課題を動機づけ、解決する。
• 薬物効果を組み込みつつ、不規則なサンプリングと欠測データに対処できる柔軟な予測モデルを開発する。
• 多変量生理学的時系列を多出力 Gaussian 過程で推定およびデノイズし、潜在状態を深層 RNN 分類器に入力する。
• 現実的な検証スキーム（リアルタイム検証やケース対照マッチングを含む）で学習を強化し、性能を評価する。
• 解釈可能なリスクスコアで敗血症迅速対応チームを支援するリアルタイム分析ダッシュボードを展開する。

提案手法

• 観測値を不確実性を維持しつつ共有グリッド上へデノイズ・補完するために、多出力 Gaussian 過程（MGP）で患者の臨床時系列をモデル化する。
• 治療効果を生理学的経路に反映させるため、MGP の平均が過去の薬剤投与に依存するようにする。
• 出力間の変動する時系列相関をモデル化するため、分離カーネルの仮定を緩和し、分離カーネルの和（Linear Model of Coregionalization）を用いて相関を表現する。
• 潜在 MGP 関数値を深層再帰ニューラルネットワーク（LSTM）分類器に入力して敗血症を予測し、エンドツーエンドで訓練するために誤差逆伝播法を用いる。
• 敗血症イベントの周辺で複数の時点で RNN を監督することでターゲットの複製を組み込み、ラベルノイズを緩和する。
• 検査値/バイタルの有益な欠測パターンを活用するため、RNN 入力に欠測指標を追加する。

実験結果

リサーチクエスチョン

• RQ1 柔軟な MGP-RNN フレームワークは臨床ベースラインや従来モデルと比較して早期敗血症検知を改善できるか？
• RQ2 薬剤効果の組み込みとより表現力のあるカーネルが敗血症予測の多変量時系列モデルを改善するか？
• RQ3 リアルタイム検証は従来の後向き検証と比較して早期警戒性能の評価にどのような差があるか？
• RQ4 ターゲット複製と欠測指標の導入が予測性能に与える影響はどの程度か？

主な発見

• 提案された MGP-RNN とその拡張は、敗血症検知において臨床ベースラインおよび従来モデルを大幅に上回る。
• 薬剤効果、非分離カーネル、ターゲット複製、および欠測指標を含む拡張は一貫して性能を向上させる。
• リアルタイム検証は、感度の範囲にわたりNEWSと比較して誤警報を減らすことを示す。
• 実用的な早期予測の視点では、ベースラインと比較して適切な precision-recall および ROC の特徴を達成する。
• このアプローチは、広範な不規則な時系列と欠測データを含む、18か月にわたる Duke Health System の大規模データセットで実証されている。