[論文レビュー] DeepSOFA: A Real-Time Continuous Acuity Score Framework using Deep Learning.

Benjamin Shickel, Tyler J. Loftus+4 more|arXiv (Cornell University)|Feb 28, 2018

Machine Learning in Healthcare参考文献 16被引用数 4

ひとこと要約

DeepSOFA は、リアルタイムのストリーミング電子歴史記録データを用いて、ICU患者の疾患重症度を継続的に評価するディープラーニングベースのフレームワークであり、動的な時間に依存する生理的パターンをより正確に捉えることで、従来の SOFA スコアに比べて入院死亡予測において優れた性能を発揮する。

ABSTRACT

Traditional methods for assessing illness severity and predicting in-hospital mortality among critically ill patients require manual, time-consuming, and error-prone calculations that are further hindered by the use of static variable thresholds derived from aggregate patient populations. These coarse frameworks do not capture time-sensitive individual physiological patterns and are not suitable for instantaneous assessment of patients' acuity trajectories, a critical task for the ICU where conditions often change rapidly. Furthermore, they are ill-suited to capitalize on the emerging availability of streaming electronic health record data. We propose a novel acuity score framework (DeepSOFA) that leverages temporal patient measurements in conjunction with deep learning models to make accurate assessments of a patient's illness severity at any point during their ICU stay. We compare DeepSOFA with SOFA baseline models using the same predictors and find that at any point during an ICU admission, DeepSOFA yields more accurate predictions of in-hospital mortality.

研究の動機と目的

• 集団の閾値に依存する静的で手動で計算される ICU の重症度スコアの限界を解消すること。
• 個々の患者の生理に応じて時間経過とともに適応するリアルタイムで継続的な疾患重症度スコアリングシステムを構築すること。
• ストリーミング電子歴史記録データを活用して、救急ケア環境における即時の正確な死亡リスク予測を可能にすること。
• 時間的パターンをディープラーニングで組み込むことで、ベースライン SOFA モデルを改善し、予測性能を向上させること。
• 現代の ICU 環境における高頻度の生理的モニタリングに対応できるスケーラブルで自動化されたフレームワークを構築すること。

提案手法

• フレームワークは、電子歴史記録からの生理的測定値の時系列系列を、ディープラーニングモデルの入力として使用する。
• 時間系列のダイナミクスをモデル化し、変化する患者の重症度を捉えるために、再帰的ニューラルネットワークアーキテクチャを適用する。
• モデルは、ICU滞在中の任意の時点で入院死亡を予測するように、エンドツーエンドで訓練される。
• 性能は、同じ臨床予測因子を用いて、DeepSOFA の予測と標準 SOFA スコアを比較することで評価される。
• アーキテクチャはリアルタイムのデータストリームを処理できるように設計されており、ICU入室中の継続的評価を可能にする。
• モデルの訓練は、多様な患者の経過にわたる死亡予測の区別力とキャリブレーションの最適化に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、ICU における従来の SOFA スコアに比べて死亡予測の正確性を向上させることができるか？
• RQ2 時間的生理的パターンは、静的閾値を越えて、リアルタイムの重症度評価をどの程度向上させることができるか？
• RQ3 同じ入力変数を使用した場合、DeepSOFA の性能はベースライン SOFA モデルと比べてどうなるか？
• RQ4 ディープラーニングフレームワークは、ストリーミング EHR データを効果的に活用して継続的な ICU モニタリングを実現できるか？
• RQ5 モデルは、多様な患者集団や異なる ICU 滞在期間にわたり、頑健性を維持できるか？

主な発見

• DeepSOFA は、ICU 滞在中のいかなる時点でも、従来の SOFA スコアに比べてより正確な入院死亡予測を達成する。
• モデルは時間に依存する生理的変化を効果的に捉え、動的で個別化された重症度評価を可能にする。
• リアルタイムの EHR データを活用することで、定期的で手動のスコアリングの限界を克服した継続的モニタリングが可能になる。
• 同じ臨床予測因子を使用しても、DeepSOFA はベースライン SOFA モデルを上回る性能を示しており、時間的モデリングの価値を実証する。
• DeepSOFA は、即時の自動化された患者の重症度評価を可能にし、現代の ICU 決定支援システムへの統合に適している。
• 集団平均から導かれる静的閾値への依存を低減することで、パーソナライズ化と応答性が向上する。