[論文レビュー] Blood lactate concentration prediction in critical care patients: handling missing values

Behrooz Mamandipoor, Mahshid Majd+2 more|arXiv (Cornell University)|Oct 3, 2019

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、臨床的時系列データを用いてICU患者の血液ラクテート濃度を予測する機械学習フレームワークを提案し、欠損値の補完戦略を用いてその処理に注力している。LSTMモデルに欠損値インジケータを組み込むことで、平均絶対誤差（MAE）が0.665に達し、平均補完法を上回り、ラクテート予測における臨床的意義のあるベンチマークを確立した。

ABSTRACT

Blood lactate concentration is a strong indicator of mortality risk in critically ill patients. While frequent lactate measurements are necessary to assess patient's health state, the measurement is an invasive procedure that can increase risk of hospital-acquired infections. For this reason we formally define the problem of lactate prediction as a clinically relevant benchmark problem for machine learning community so as to assist clinical decision making in blood lactate testing. Accordingly, we demonstrate the relevant challenges of the problem and its data in addition to the adopted solutions. Also, we evaluate the performance of different prediction algorithms on a large dataset of ICU patients from the multi-centre eICU database. More specifically, we focus on investigating the impact of missing value imputation methods in lactate prediction for each algorithm. The experimental analysis shows promising prediction results that encourages further investigation of this problem.

研究の動機と目的

• ICUにおける血液ラクテート濃度予測を、重症医療分野において意味のある機械学習ベンチマークとして定義すること。
• さまざまな欠損値補完手法が、複数のアルゴリズムにおけるラクテート予測性能に与える影響を評価すること。
• 高時間分解能を持つ大規模で多施設にまたがるICUデータセットを用いて、従来の機械学習モデルとディープラーニングモデルを比較すること。
• 将来のEHRデータを用いたラクテート指向の臨床意思決定支援研究のための再現可能で基準となるパラメータを確立すること。
• 臨床現場への導入に向けたモデルの解釈可能性と外部妥当性の向上を促進すること。

提案手法

• 正式にラクテート予測を回帰問題として定式化：時間 $ t + \beta $ のラクテート濃度を、直前の $ \alpha $ 時間の臨床的測定値から予測する。
• 2時間ごとの時間帯分割を用いて、多施設eICUデータベース（13,464名の患者、1,220万件の記録）を時系列モデリングに活用した。
• 多様な補完手法を適用：平均補完法、前方補完法、およびインジケータベース補完法（欠損状態を特徴量として表現）。
• 13,464名のICU患者（14,477件の滞在）を対象に、平均絶対誤差（MAE）を用いて性能を評価した。
• 補完済みデータおよび元のデータを用いて、従来のモデル（例：線形回帰）とディープラーニングモデル（例：LSTM）を訓練・比較した。
• 欠損値インジケータを特徴量として導入し、情報としての欠損状態を捉えることで、モデル性能を向上させた。

実験結果

リサーチクエスチョン

• RQ1 欠損値補完の手法が、ICU患者の血液ラクテート濃度予測における機械学習モデルの性能に与える影響は何か？
• RQ2 平均補完法、前方補完法、欠損状態インジケータのうち、どの補完戦略がラクテート濃度の予測性能を最も高めるか？
• RQ3 ICU時系列データにおける欠損値を扱う際、LSTMのようなディープラーニングモデルが従来のモデルを上回る性能を示せるか？
• RQ4 提案されたラクテート予測フレームワークは、将来の臨床的機械学習研究における実用的で一般化可能なベンチマークとして成立するか？
• RQ5 欠損状態インジケータを特徴量として含めることで、モデルの解釈性と予測精度にどのような影響が生じるか？

主な発見

• LSTMベースのモデルは、13,464名のICU患者を対象に、平均絶対誤差（MAE）が0.665という最低水準に達した。
• インジケータ補完法—欠損状態を2値特徴量としてエンコードする手法—が、最も高い予測性能を示し、平均補完法や前方補完法を上回った。
• 欠損状態インジケータの導入により、モデル性能が顕著に向上した。これは、欠損値が臨床的に有用な信号を含んでいることを示唆している。
• 本研究は、eICUデータベースを用いたラクテート予測の再現可能なベンチマークを確立し、コードを公開して再現性を確保した。
• EHRデータを用いた機械学習によるラクテート予測は、侵襲的検査の削減とリアルタイムの臨床意思決定支援の可能性を示している。
• 今後の研究では、ラクテート濃度を重症度分類に分類するアプローチや、GRU-Dのような高度なモデルを用いて情報的欠損状態を効果的に扱うことが重要である。