[論文レビュー] Deep Learning Models to Predict Pediatric Asthma Emergency Department Visits

Xiao Wang, Zhijie Wang+3 more|arXiv (Cornell University)|Jul 25, 2019

Machine Learning in Healthcare参考文献 32被引用数 7

ひとこと要約

本研究では、メディケイド請求データを用いて、3か月以内の小児喘息関連救急外来（ED）受診を予測するために、深層学習モデル、特に人工ニューラルネットワーク（ANN）を、臨床現場で既に導入済みのlassoロジスティック回帰モデルと比較した。ANNはわずかに優れた性能を示した（AUC: 0.845 対 0.842）、深層学習が管理請求データにおいて同等の予測性能を達成可能であることを示しているが、臨床現場への導入にあたって解釈可能性の課題が依然として大きな障壁である。

ABSTRACT

Pediatric asthma is the most prevalent chronic childhood illness, afflicting about 6.2 million children in the United States. However, asthma could be better managed by identifying and avoiding triggers, educating about medications and proper disease management strategies. This research utilizes deep learning methodologies to predict asthma-related emergency department (ED) visit within 3 months using Medicaid claims data. We compare prediction results against traditional statistical classification model - penalized Lasso logistic regression, which we trained and have deployed since 2015. The results have indicated that deep learning model Artificial Neural Networks (ANN) slightly outperforms (with AUC = 0.845) the Lasso logistic regression (with AUC = 0.842). The reason may come from the nonlinear nature of ANN.

研究の動機と目的

• 既存の臨床現場で導入済みのlassoロジスティック回帰モデルと比較して、深層学習モデルが小児喘息関連救急外来（ED）受診の予測精度を向上させられるかどうかを評価すること。
• メディケイド加入小児（18歳未満）の管理請求データを用いて、人工ニューラルネットワーク（ANN）の性能を評価すること。
• AUC、F1スコア、および精度-再現率曲線の下側面積（AUC）といった標準的な指標を用いて、モデルの性能を比較すること。
• 深層学習が、予防的臨床介入を目的とした高リスク小児喘息患者の同定にどのように活用できるかを検討すること。
• 実世界の医療現場における、深層学習モデルと従来の統計モデルを比較した際の臨床的意義と解釈可能性を評価すること。

提案手法

• 本研究では、テキサス州ダラスのパークランド・コミュニティ・ヘルスプラン（PCHP）に加入しているメディケイド加入小児患者を対象とした後向きコhort研究を実施した。
• 特徴量には、臨床的要因、医療サービス利用状況、社会的・人口統計的要因を含み、12か月分の管理請求データから抽出した。
• 2層の隠れ層を有する人工ニューラルネットワーク（ANN）を、Leaky ReLU活性化関数とシグモイド出力関数を用いて、Adam最適化アルゴリズムとバイナリクロスエントロピー損失関数を用いて学習させた。
• 過学習を防ぐためにドロップアウト正則化（レート = 0.5）を適用し、ハイパーパrameterはグリッドサーチを用いて最適化した。
• データは70%を訓練用、30%をテスト用に分割し、クラスの不均衡に対処するためにリサンプリング技術を適用した。
• モデルの性能評価には、受診者特性曲線（ROC）の下側面積（AUC）、精度-再現率曲線（PR）の下側面積（AUC）、再現率、精度、F1スコアを用い、リスクカテゴリは上位10%を高リスク（High）、10番目～20番目百分位数を中リスク（Medium）、残りを低リスク（Low）として定義した。

実験結果

リサーチクエスチョン

• RQ1 人工ニューラルネットワーク（ANN）のような深層学習モデルが、請求データを用いて小児喘息関連ED受診を予測する際、従来のlassoロジスティック回帰モデルを上回れるか。
• RQ2 AUC、F1スコア、および精度-再現率のトレードオフという観点から、ANNの予測性能はlassoロジスティック回帰と比べてどの程度異なるか。
• RQ3 データの不均衡がモデル性能に与える影響は何か。また、リサンプリングとドロップアウト技術が一般化性能に与える影響は何か。
• RQ4 高リスク臨床スコア（例：上位10%のリスクスコア）が、深層学習モデルと線形モデルの両方に対して有効に保たれるか、その範囲はどの程度か。
• RQ5 解釈可能性に欠けるモデルが臨床ワークフローに効果的に統合可能か。また、信頼性と導入促進に向けた改善点は何か。

主な発見

• ANNモデルはAUC 0.845を達成し、lassoロジスティック回帰モデル（AUC 0.842）をわずかに上回った。
• 両モデルとも精度は同等（0.123）であったが、lassoモデルの再現率は0.565と高く、真の陽性例の検出が優れていた（ANN: 0.510）。
• F1スコアはANNが0.198、lassoモデルが0.202とわずかに低く、精度-再現率のバランスにトレードオフが見られた。
• 精度-再現率曲線の下側面積（PR AUC）は、ANNが0.174、lassoモデルが0.170とやや高く、不均衡な状況下での陽性クラスの性能が優れていた。
• わずかな向上が見られたものの、lassoモデルは臨床的意義を有し、深層学習モデルに劣らない。さらに解釈可能性が優れている。
• 本研究の結論として、深層学習はわずかな統計的優位性を示すが、臨床現場への導入には解釈可能性の向上とステークホルダーの信頼構築が不可欠である。