[論文レビュー] Building Computational Models to Predict One-Year Mortality in ICU Patients with Acute Myocardial Infarction and Post Myocardial Infarction Syndrome

Laura A. Barrett, Seyedeh Neelufar Payrovnaziri+2 more|arXiv (Cornell University)|Dec 12, 2018

Machine Learning in Healthcare参考文献 36被引用数 26

ひとこと要約

本研究では、MIMIC-IIIデータベースを用いて、急性心筋梗塞（AMI）または心筋梗塞後症候群を示すICU入院患者の1年生存率を予測するための機械学習モデルを開発・評価した。組み合わせデータセット上で、ロジスティックモデルツリー（LMT）およびシンプルロジスティックアルゴリズムが、85.12%の最高精度とAUC 0.901を達成し、深層フィードフォワードネットワークや従来のリスクスコアを上回った。

ABSTRACT

Heart disease remains the leading cause of death in the United States. Compared with risk assessment guidelines that require manual calculation of scores, machine learning-based prediction for disease outcomes such as mortality can be utilized to save time and improve prediction accuracy. This study built and evaluated various machine learning models to predict one-year mortality in patients diagnosed with acute myocardial infarction or post myocardial infarction syndrome in the MIMIC-III database. The results of the best performing shallow prediction models were compared to a deep feedforward neural network (Deep FNN) with back propagation. We included a cohort of 5436 admissions. Six datasets were developed and compared. The models applying Logistic Model Trees (LMT) and Simple Logistic algorithms to the combined dataset resulted in the highest prediction accuracy at 85.12% and the highest AUC at .901. In addition, other factors were observed to have an impact on outcomes as well.

研究の動機と目的

• 急性心筋梗塞（AMI）または心筋梗塞後症候群を示すICU患者の1年生存率を予測するための、手動リスクスコアの計算を改善すること。
• この高リスク患者集団における死亡予測の成績を評価するため、多様な機械学習モデルの性能を検証すること。
• ロジスティックモデルツリー（LMT）やロジスティック回帰などの浅いモデルと、深層フィードフォワードニューラルネットワーク（Deep FNN）などの深層学習モデルの間で、精度およびAUCの観点から比較すること。
• この集団における1年生存率に最も顕著に影響を与える臨床的および人口統計的予測要因を同定すること。

提案手法

• 本研究では、AMIまたは心筋梗塞後症候群を示す患者の5,436件のICU入院データをMIMIC-IIIデータベースから抽出した。
• 生命徴収値、検査値、合併症、および人口統計的変数を含む、異なる特徴量サブセットを組み合わせた6つの異なるデータセットを構築した。
• ロジスティックモデルツリー（LMT）、シンプルロジスティック、ランダムフォレスト、サポートベクターマシン、および深層フィードフォワードニューラルネットワーク（Deep FNN）を含む、多数の機械学習モデルを訓練および評価した。
• モデルの性能は、精度、受信者動作特性曲線（ROC）下の面積（AUC）、および10分割交差検証を用いて評価され、妥当性を確保した。
• AUCおよび精度に基づいて最良のモデルが選定され、結果を最適化するためにハイパーパrameterチューニングが適用された。
• Deep FNNは誤差逆伝播法を用いて訓練され、最良の浅いモデルと直接比較された。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、AMIまたは心筋梗塞後症候群を示すICU患者の1年生存率予測において、従来のリスク評価ツールを上回ることができるか？
• RQ2 どの機械学習アルゴリズムが、この特定の患者集団において最高の予測精度とAUCを達成するか？
• RQ3 ロジスティックモデルツリーなどの浅いモデルは、この臨床予測タスクにおいて深層フィードフォワードニューラルネットワークと比較して、性能に差があるか？
• RQ4 臨床的および人口統計的特徴のうち、このコhortにおける死亡予測に最も顕著に寄与する要因は何か？
• RQ5 検査値、生命徴収値、合併症などの複数のデータソースを統合することで、個別の特徴量セットに比べてモデル性能が向上するか？

主な発見

• ロジスティックモデルツリー（LMT）モデルは、組み合わせデータセット上で85.12%の最高予測精度を達成した。
• LMTモデルは、AUCが0.901に達し、優れた識別性能を示した。
• 組み合わせデータセット上でシンプルロジスティックアルゴリズムが、AUC 0.901を記録し、LMTと同等の性能を示した。
• LMTおよびシンプルロジスティックモデルは、両方とも深層フィードフォワードニューラルネットワーク（Deep FNN）を上回る精度およびAUCを達成した。
• 複数の臨床的および人口統計的特徴を統合した組み合わせデータセットは、全評価アルゴリズムにおいて最良のモデル性能をもたらした。
• 本研究では、特徴量選択とデータ統合が、重症ケアにおける死亡予測のモデル効果に顕著に影響を与えることが確認された。