[論文レビュー] DeepAISE -- An End-to-End Development and Deployment of a Recurrent Neural Survival Model for Early Prediction of Sepsis

Supreeth P. Shashikumar, Christopher S. Josef+2 more|arXiv (Cornell University)|Aug 10, 2019

Sepsis Diagnosis and Treatment参考文献 41被引用数 8

ひとこと要約

DeepAISE は、時間的臨床時系列を用いてICU患者の敗血症発症を予測するエンド・ツー・エンドの再帰的ニューラル生存モデルであり、臨床的に定義された敗血症発症基準と治療方針を統合することで、予測精度を最適化する。内部検証ではAUC 0.90、外部検証ではAUC 0.87を達成し、誤報率（FAR=0.20 および 0.26）が低く抑えられた。同時に、生存アウトカムと特徴量の相互作用を統合的にモデリングすることで、解釈可能なリスク表現を提供する。

ABSTRACT

Sepsis, a dysregulated immune system response to infection, is among the leading causes of morbidity, mortality, and cost overruns in the Intensive Care Unit (ICU). Early prediction of sepsis can improve situational awareness amongst clinicians and facilitate timely, protective interventions. While the application of predictive analytics in ICU patients has shown early promising results, much of the work has been encumbered by high false-alarm rates. Efforts to improve specificity have been limited by several factors, most notably the difficulty of labeling sepsis onset time and the low prevalence of septic-events in the ICU. Here, we present DeepAISE (Deep Artificial Intelligence Sepsis Expert), a recurrent neural survival model for the early prediction of sepsis. We show that by coupling a clinical criterion for defining sepsis onset time with a treatment policy (e.g., initiation of antibiotics within one hour of meeting the criterion), one may rank the relative utility of various criteria through offline policy evaluation. Given the optimal criterion, DeepAISE automatically learns predictive features related to higher-order interactions and temporal patterns among clinical risk factors that maximize the data likelihood of observed time to septic events. DeepAISE has been incorporated into a clinical workflow, which provides real-time hourly sepsis risk scores. A comparative study of four baseline models indicates that DeepAISE produces the most accurate predictions (AUC=0.90 and 0.87) and the lowest false alarm rates (FAR=0.20 and 0.26) in two separate cohorts (internal and external, respectively), while simultaneously producing interpretable representations of the clinical time series and risk factors.

研究の動機と目的

• 時間的イベント発生までの期間を臨床的イベント定義と連携してモデリングすることで、敗血症予測における高い誤報率の課題に取り組む。
• 実臨床における治療方針（例：1時間以内の抗菌薬投与）に一致する敗血症発症ラベル付けにより、予測の特異度を向上させる。
• 敗血症の臨床的リスク要因間の複雑な時間的および高次相互作用を学習するエンド・ツー・エンドのシステムを開発する。
• 臨床ワークフローに統合し、解釈可能性を備えたリアルタイムの敗血症リスクスコアを提供可能にする。

提案手法

• モデルは、時間経過に伴うICUの生命徴収データおよび検査値を処理する再帰的ニューラルネットワーク（RNN）アーキテクチャを用いる。
• 尤度に基づく目的関数を用いて、敗血症発症までの時間分布を推定する生存モデリングフレームワークを適用する。
• 臨床的基準として、SIRSおよび臓器障害基準を満たし、1時間以内に治療を開始した場合を敗血症発症と定義する。
• 予測的有用性を基準に、最適な敗血症発症定義をランキング・選定するために、オフライン方針評価を用いる。
• 生存尤度と時間的特徴量の相互作用の両方を統合最適化することで、予測的表現を学習する。
• 解釈可能なアテンション機構を適用し、臨床的に関連する時系列パターンおよびリスク要因を強調する。

実験結果

リサーチクエスチョン

• RQ1 再帰的ニューラル生存モデルは、ベースラインモデルと比較して、早期敗血症予測の正確性を向上させるとともに、誤報率を低減できるか？
• RQ2 実臨床における治療方針に一致する敗血症発症定義を用いることで、モデルの性能および臨床的有用性にどのような影響を与えるか？
• RQ3 深層学習モデルは、敗血症予測において、臨床変数間の高次時間的相互作用をどの程度捉えることができるか？
• RQ4 エンド・ツー・エンドのシステムは、臨床ワークフローに成功裏に統合され、解釈可能性を備えたリアルタイムのリスクスコアを提供可能か？
• RQ5 一貫した治療方針のもとで評価した場合、異なる敗血症発症基準の相対的有用性は何か？

主な発見

• DeepAISE は、内部検証コhortでAUC 0.90、外部検証コhortでAUC 0.87を達成し、4つのベースラインモデルを上回る判別能力を示した。
• 誤報率は内部で0.20、外部で0.26であり、ベースラインモデルと比較して顕著に低く、特異度の向上を示した。
• オフライン方針評価を用いることで、予測的有用性を最大化する臨床的根拠に基づいた敗血症発症基準を同定した。
• モデルは、敗血症リスクに寄与する主要な時間的パターンおよびリスク要因を強調する、解釈可能な臨床時系列表現を生成した。
• 臨床ワークフローへのDeepAISEの統合により、リアルタイムの毎時リスクスコアが可能となり、早期臨床意思決定を支援した。
• 生存モデリングアプローチにより、ICUデータに内在する複雑で非線形な時間的依存性が効果的に捉えられ、予測性能が向上した。