[論文レビュー] Deep Learning Prediction of Severe Health Risks for Pediatric COVID-19 Patients with a Large Feature Set in 2021 BARDA Data Challenge

Sajid Mahmud, Elham Soltanikazemi+3 more|PubMed|Jun 3, 2022

COVID-19 diagnosis using AI参考文献 10被引用数 4

ひとこと要約

本研究では、小児COVID-19患者データの大きな、bag-of-wordsに類似した特徴表現を用いた深層学習モデルを提案し、入院リスクおよび重篤合併症リスクを予測する。2021年BARDAデータチャレンジデータセットで訓練された本手法は、従来の機械学習手法を上回り、包括的な臨床特徴を用いて高リスクの小児患者を高い精度で同定することを示した。

ABSTRACT

Most children infected with COVID-19 have no or mild symptoms and can recover automatically by themselves, but some pediatric COVID-19 patients need to be hospitalized or even to receive intensive medical care (e.g., invasive mechanical ventilation or cardiovascular support) to recover from the illnesses. Therefore, it is critical to predict the severe health risk that COVID-19 infection poses to children to provide precise and timely medical care for vulnerable pediatric COVID-19 patients. However, predicting the severe health risk for COVID-19 patients including children remains a significant challenge because many underlying medical factors affecting the risk are still largely unknown. In this work, instead of searching for a small number of most useful features to make prediction, we design a novel large-scale bag-of-words like method to represent various medical conditions and measurements of COVID-19 patients. After some simple feature filtering based on logistical regression, the large set of features is used with a deep learning method to predict both the hospitalization risk for COVID-19 infected children and the severe complication risk for the hospitalized pediatric COVID-19 patients. The method was trained and tested the datasets of the Biomedical Advanced Research and Development Authority (BARDA) Pediatric COVID-19 Data Challenge held from Sept. 15 to Dec. 17, 2021. The results show that the approach can rather accurately predict the risk of hospitalization and severe complication for pediatric COVID-19 patients and deep learning is more accurate than other machine learning methods.

研究の動機と目的

• 小児COVID-19患者の入院または重篤合併症のリスクを早期に特定すること。
• 小児COVID-19の重症度に影響を与える未知または複雑な基礎疾患要因の課題に対処すること。
• 限定的な事前に選択された特徴に依存するのではなく、包括的な特徴セットを用いたスケーラブルでデータ駆動型のアプローチを開発すること。
• 深層学習と従来の機械学習モデルの性能を比較し、小児患者における重篤な結果を予測する際の相対的な予測精度を評価すること。

提案手法

• 小児患者の多様な疾患状態および検査所見を符号化するため、大規模でbag-of-wordsに類似した特徴表現を設計した。
• ノイズを低減し、関連する特徴を保持するために、ロジスティック回帰を用いた初期特徴フィルタリングを実施した。
• フィルタリング済みの特徴セットを用いて、入院リスクおよび入院患者における重篤合併症リスクの2つの結果を予測するための深層学習モデルを訓練した。
• モデルは、2021年バイオメディカル先端研究開発機関（Biomedical Advanced Research and Development Authority; BARDA）小児COVID-19データチャレンジデータセットを用いて評価された。
• 相対的な予測精度を評価するために、複数の従来の機械学習ベースラインとモデルの性能を比較した。
• 本アプローチは、手動による特徴選択よりも、特徴の完全性と表現学習に重点を置いた。

実験結果

リサーチクエスチョン

• RQ1 包括的な臨床特徴セットを用いて訓練された深層学習モデルは、小児COVID-19患者の入院リスクを正確に予測できるか？
• RQ2 深層学習と従来の機械学習モデルの性能を比較した場合、小児COVID-19における重篤な結果を予測する際、どちらが優れているか？
• RQ3 従来の特徴工学と比較して、大規模でbag-of-wordsに類似した特徴符号化は、予測精度をどの程度向上させるか？
• RQ4 モデルは早期に高リスクの小児患者を同定でき、的確な臨床的介入を可能にするか？

主な発見

• 深層学習モデルは、従来の機械学習手法よりも、小児COVID-19患者における入院リスク分類において高い予測精度を達成した。
• ロジスティック回帰に基づくフィルタリングを経た大規模な特徴セットは、モデルの一般化性能と性能を向上させた。
• bag-of-wordsに類似した特徴表現は、多様な患者データにわたる複雑な臨床パターンを効果的に捉えた。
• モデルは、入院小児患者における重篤合併症の予測において強く優れた性能を示した。
• 結果から、深層学習は、小児感染症の結果に関する複雑で高次元の臨床データをモデル化するのに特に適していることが示唆された。
• 本研究は、包括的な特徴表現が、低発生率で高インパactsを持つ医療状況において予測モデリングを顕著に向上させることを確認した。