[論文レビュー] Continual Prediction from EHR Data for Inpatient Acute Kidney Injury

Rohit J. Kate, Noah Pearce+2 more|arXiv (Cornell University)|Feb 26, 2019

Acute Kidney Injury Research参考文献 26被引用数 3

ひとこと要約

本論文は、電子的健康記録（EHR）データを用いて入院中の急性腎傷害（AKI）の継続的予測フレームワークを提案し、新しい患者データが入手可能になるたびにリアルタイムで予測を更新する。最新のAKI関連変数の値を毎回活用することで、予測が特定の時間点に固定される従来のワンタイム予測モデルよりも顕著に優れたAUC 0.724を達成した。

ABSTRACT

Acute kidney injury (AKI) commonly occurs in hospitalized patients and can lead to serious medical complications. In order to optimally predict AKI before it develops at any time during a hospital stay, we present a novel framework in which AKI is continually predicted automatically from EHR data over the entire hospital stay instead of at only one particular time. The continual model predicts AKI every time a patients AKI-relevant variable changes in the EHR. Thus the model is not only independent of a particular time for making predictions, but it can also leverage the latest values of all the AKI-relevant patient variables for making predictions. Using data of 44,691 hospital stays of duration longer than 24 hours we evaluated our continual prediction model and compared it with the traditional one-time prediction models. Excluding hospitals stays in which AKI occurred within 24 hours from admission, the one-time prediction model predicting at 24 hours from admission obtained area under ROC curve (AUC) of 0.653 while the continual prediction model obtained AUC of 0.724. The one-time prediction model that predicts at 24 hours obviously cannot predict AKI incidences that occur within 24 hours of admission which when included in the evaluation reduced its AUC to 0.57. In comparison, the continual prediction model had AUC of 0.709. The continual prediction model also did better than all other one-time prediction models predicting at other fixed times. By being able to take into account the latest values of AKI-relevant patient variables and by not being limited to a particular time of prediction, the continual prediction model out-performed one-time prediction models in predicting AKI.

研究の動機と目的

• 入院中の特定の時間点に予測が固定されるワンタイム予測モデルの限界を解消すること。
• 入院期間全体にわたり継続的・リアルタイムな予測を可能にすることで、急性腎傷害（AKI）の早期発見を向上させること。
• 患者データの更新ごとに最新の臨床データを活用し、動的なリスク評価を実現すること。
• さまざまな時間窓を想定した継続的予測と従来のワンタイム予測モデルとの性能を比較すること。

提案手法

• フレームワークは、EHRにAKI関連変数の新しい値が記録されるたびに、AKIリスク予測を継続的に更新する。
• 44,691件の入院症例（24時間以上継続）を用いてトレーニングされた機械学習モデルを用いる。
• 血圧、血液検査結果、その他のAKIに関連する臨床変数の最新値を動的に統合する。
• 予測が特定の時間（例：入院後24時間）に固定されないため、AKI発症の早期検出が可能である。
• 予測性能を全入院期間にわたり評価することで、固定時刻モデルのバイアスを回避する。
• AUC（受信者操作特性曲線下の面積）を用いてモデル性能を評価し、継続的予測とさまざまな固定時刻でのワンタイム予測を比較する。

実験結果

リサーチクエスチョン

• RQ1 EHRデータからの継続的予測は、ワンタイム予測モデルと比較して、入院中の急性腎傷害（AKI）の早期発見を改善できるか？
• RQ2 入院後24時間以内にAKIが発症した場合、継続的アップデートモデルの性能は固定時刻モデルと比べてどうなるか？
• RQ3 各更新時に最新の臨床データを活用することで、単一時点での静的予測よりも優れた予測性能が得られるか？
• RQ4 特に早期AKI症例を含めた場合、継続的モデルはさまざまな入院期間の時間窓においてどのように性能を発揮するか？

主な発見

• 継続的予測モデルは、入院期間全体にわたるAKI予測においてAUC 0.724を達成し、ワンタイムモデルを上回った。
• 入院後24時間にワンタイム予測を行ったモデルはAUC 0.653を達成したが、24時間以内に発症した早期AKI症例を含めるとAUCは0.57に低下した。
• 継続的モデルは、入院後24時間以内に発症したAKI症例を含めてもAUC 0.709を維持し、高い性能を発揮した。
• 継続的モデルは、他の時間点に予測を固定したすべてのワンタイム予測モデルを上回った。
• フレームワークは、各新しいデータポイントごとに予測を更新することで、早期発症のAKIを効果的に捉えることができた。
• 結果から、リアルタイムのEHR更新を活用した継続的予測が、入院中のAKI予測精度を顕著に向上させることを示した。