[論文レビュー] Automated Identification of Drug-Drug Interactions in Pediatric Congestive Heart Failure Patients

Daniel Miller|arXiv (Cornell University)|Feb 11, 2017

Heart Failure Treatment and Management参考文献 3被引用数 3

ひとこと要約

本研究では、PubMedの要約と電子的医療記録を分析することで、小児心不全（CHF）患者における薬物同士の相互作用（DDI）を自動的に特定する自然言語処理（NLP）パイプラインを提示する。69,713件にフィルタリングされた要約からの単語数を特徴量として用いたラッソ分類器を用いることで、高い感度（0.994）と陽性予測値（0.968）を達成し、臨床的先行知識を必要としないスケーラブルでデータ駆動型のDDI同定の可能性を示した。

ABSTRACT

Congestive Heart Failure, or CHF, is a serious medical condition that can result in fluid buildup in the body as a result of a weak heart. When the heart can't pump enough blood to efficiently deliver nutrients and oxygen to the body, kidney function may be impaired, resulting in fluid retention. CHF patients require a broad drug regimen to maintain the delicate system balance, particularly between their heart and kidneys. These drugs include ACE inhibitors and Beta Blockers to control blood pressure, anticoagulants to prevent blood clots, and diuretics to reduce fluid overload. Many of these drugs may interact, and potential effects of these interactions must be weighed against their benefits. For this project, we consider a set of 44 drugs identified as specifically relevant for treating CHF by pediatric cardiologists at Lucile Packard Children's Hospital. This list was generated as part of our current work at the LPCH Heart Center. The goal of this project is to identify and evaluate potentially harmful drug-drug interactions (DDIs) within pediatric patients with Congestive Heart Failure. This identification will be done autonomously, so that it may continuously update by evaluating newly published literature.

研究の動機と目的

• 公開文献のみを用いて、小児CHF患者における有害な薬物同士の相互作用（DDI）を自動的に同定するシステムを開発すること。
• DDIラベルのデータ不均衡を解消するために、アンダーサンプリングおよび正則化技術を適用すること。
• 臨床的関連性指標と予測されたDDI発生時間窓に関する将来的な臨床医のフィードバックを用いて、モデルの性能を評価すること。
• 文献分析と電子的医療記録（MAR）データの統合により、継続的かつリアルタイムのDDIモニタリングを可能にすること。
• 感度を維持しつつノイズを最小限に抑えるために、誤検出と見逃しのバランスを取った臨床アラートシステムを実現すること。

提案手法

• 1781種の薬物が44種の小児CHF関連薬物と相互作用を示すものを含む、PubMed Central Open Access Subsetから69,713件の要約を抽出した。
• DDIラベルのゴールドスタンダードとしてDrugBankを用い、要約からの薬物名および相互作用タイプのマッピングにNLP技術を適用した。
• 単語数特徴量を用いた教師あり学習パイプラインを実装し、モデルの学習と検証を70/15/15の比率に分割した。
• 複数のモデルを評価した：原データおよびアンダーサンプリング処理を施した線形SVM、原データおよびアンダーサンプリング処理を施したCNN、単語数およびGloVe埋め込みを用いたラッソおよびロジスティック回帰。
• AUCを主な報酬関数として用い、クロスバリデーションによるハイパーパramータ最適化を実施したが、特にラッソモデルに注力した。
• 検証セットの性能に基づき最終モデルを選定し、最終テストセット評価の前に学習済みデータと検証データを統合して再学習した。

実験結果

リサーチクエスチョン

• RQ1 PubMedの要約のみで学習した機械学習モデルは、小児CHF患者における臨床的に関連性のある薬物同士の相互作用を、高い感度と正確性で検出可能か？
• RQ2 単語数、GloVe埋め込み、深層ニューラルネットワークといった、異なるNLPベースの特徴表現は、不均衡なDDI分類タスクにおいてどの程度有効か？
• RQ3 L1正則化（ラッソ）は、SVM や CNN といった伝統的なモデルに比べ、極めて不均衡なデータセットにおける稀だが重要なDDIを同定する際に優れているか？
• RQ4 自動的な文献分析は、DrugBankのようなエキスパートがキュレートしたDDIデータベースをどの程度代替または補完できるか？
• RQ5 実際の薬剤投与記録と照合することで、要約から得られる相互作用を時系列に特定した予測を生成するには、システムをどのように拡張できるか？

主な発見

• 単語数特徴量を用いたラッソ分類器が、全モデルの中で最高の性能を示し、検証セットで感度99.4％、陽性予測値（PPV）96.8％を達成した。
• アンダーサンプリングは不均衡データにおけるモデル性能を向上させたが、特にSVMおよびCNNモデルにおいて有効であった。しかし、根本的なクラス不均衡問題の解決には至らなかった。
• 100個の頻度の高い単語に限定して学習したCNNモデルは、有望な結果（感度73.3％、PPV85.0％）を示したが、ラッソモデルに比べて性能が劣った。
• GloVe埋め込みは単語数特徴量を上回らなかった。GloVeを用いたロジスティック回帰およびラッソモデルは、単語数特徴量を用いたラッソモデルに比べ、AUCと感度が低かった。
• ラッソモデルは、最も安定的かつ効果的な性能を示し、高次元かつスパースなNLPタスクにおける特徴選択の重要性を示唆した。
• 本研究は、外部の臨床アノテーションを必要とせず、公開文献と電子的健康記録のみを用いて、自動的かつスケーラブルなDDI検出が可能であることを確認した。