[論文レビュー] Deep Learning Approach for Predicting 30 Day Readmissions after Coronary Artery Bypass Graft Surgery

Ramesh B. Manyam, Yanqing Zhang+4 more|arXiv (Cornell University)|Dec 3, 2018

Cardiac, Anesthesia and Surgical Outcomes参考文献 17被引用数 3

ひとこと要約

本研究では、隔離冠動脈バイパス挿 graft (CABG) 術後の30日以内の全原因再入院を予測するために、Cox 比例ハザード (CPH) 回帰と DeepSurv、すなわち深層学習生存モデルを組み合わせたアンサンブル機械学習モデルを提案する。術後退院前の周術期データを用いて、25,000回の学習イテレーション後、検証データ上で c-統計量 0.712 を達成し、時間変動型臨床変数を活用することで、従来の手法に比べて予測精度が向上したことを示した。

ABSTRACT

Hospital Readmissions within 30 days after discharge following Coronary Artery Bypass Graft (CABG) Surgery are substantial contributors to healthcare costs. Many predictive models were developed to identify risk factors for readmissions. However, majority of the existing models use statistical analysis techniques with data available at discharge. We propose an ensembled model to predict CABG readmissions using pre-discharge perioperative data and machine learning survival analysis techniques. Firstly, we applied fifty one potential readmission risk variables to Cox Proportional Hazard (CPH) survival regression univariate analysis. Fourteen of them turned out to be significant (with p value < 0.05), contributing to readmissions. Subsequently, we applied these 14 predictors to multivariate CPH model and Deep Learning Neural Network (NN) representation of the CPH model, DeepSurv. We validated this new ensembled model with 453 isolated adult CABG cases. Nine of the fourteen perioperative risk variables were identified as the most significant with Hazard Ratios (HR) of greater than 1.0. The concordance index metrics for CPH, DeepSurv, and ensembled models were then evaluated with training and validation datasets. Our ensembled model yielded promising results in terms of c-statistics, as we raised the the number of iterations and data set sizes. 30 day all-cause readmissions among isolated CABG patients can be predicted more effectively with perioperative pre-discharge data, using machine learning survival analysis techniques. Prediction accuracy levels could be improved further with deep learning algorithms.

研究の動機と目的

• 隔離CABG術後の30日以内の全原因再入院に関する有意義な退院前周術期リスク因子を同定すること。
• 時間変動型臨床データを統合することで、従来の統計的モデルを上回る再入院リスクの予測精度を向上させること。
• 多次元CPHと深層学習生存分析（DeepSurv）を統合したアンサンブルモデルを構築し、予測性能を向上させること。
• スマートアプリケーションを介したリアルタイムのリスクスコア生成により、臨床的意思決定支援を可能にし、病床での応用を可能とすること。

提案手法

• 51個の潜在的リスク変数に対して単変量CPH分析を実施し、有意義な予測因子14個（p < 0.05）を同定した。
• 退院前の周術期データを用いて、14個の有意義な予測因子に対して多変量CPHおよびDeepSurvモデルを適用した。データはSTS成人心臓外科研修データベース（2014–2017年）の匿名化データセットを用いた。
• LifelinesおよびDeepSurv Pythonパッケージを用いて、適応的特徴学習を実装し、深層学習生存モデルを構築および学習させた。
• 2,293例の隔離CABG症例のうち20％を検証用に分割し、欠損データには症例削除および条件付き平均補完法を適用した。
• 学習イテレーションを増加させながら、学習および検証セットにおける一致指数（c-統計量）を用いてモデルの性能を評価した。
• CPHおよびDeepSurvの予測結果を統合することでアンサンブルモデルを構築し、一般化性能および予測精度を向上させた。

実験結果

リサーチクエスチョン

• RQ1 隔離CABG術後の30日以内の全原因再入院を最も予測する退院前周術期変数は何か？
• RQ2 CPH回帰とDeepSurvを組み合わせたアンサンブルモデルは、個別のモデルに比べ、CABG術後再入院の予測において優れた性能を示せるか？
• RQ3 血液検査値、生命徴、薬物投与などの時間変動型臨床データを含めることで、退院時時点の静的データに比べ、再入院予測の精度はどのように向上するか？
• RQ4 学習イテレーション数とデータ量の増加が、アンサンブルモデルのc-統計量にどの程度影響を与えるか？
• RQ5 本モデルは、CABG術後患者のリアルタイムの再入院リスク（RoR）スコアを生成することで、臨床的意思決定支援に寄与できるか？

主な発見

• 単変量CPH分析により、性別、術前クレアチニン、入院期間など、14個の周術期変数が30日以内の再入院の有意義な予測因子として同定された（p < 0.05）。
• 多変量CPHモデルにおいて、14個の有意義な予測因子のうち9個がハザード比（HR）> 1.0 を示し、再入院リスクの上昇を示した。
• アンサンブルモデルは、25,000回の学習エポック後、検証セットでc-統計量 0.712 を達成し、単独のCPHモデル（0.631）およびDeepSurvモデル（0.571）を上回った。
• アンサンブルモデルのc-統計量は、学習イテレーション数の増加に伴い上昇し、一般化性能および予測安定性の向上を示した。
• データ量の増加とイテレーション数の増加に伴い、モデルの性能が向上し、スケーラビリティおよびさらなる精度向上の可能性を示した。
• 生存曲線および95％信頼区間により、性別や以前の心筋梗塞といった主要な予測因子の臨床的有意性が確認された。