[論文レビュー] Developing Knowledge-enhanced Chronic Disease Risk Prediction Models from Regional EHR Repositories

Jing Mei, Eryu Xia+2 more|arXiv (Cornell University)|Jul 31, 2017

Machine Learning in Healthcare参考文献 16被引用数 5

ひとこと要約

本論文は、地域別電子カルテ（EHR）リポジトリを用いて、局所化された慢性疾患リスク予測モデルを構築する知識強化型アプローチを提案する。臨床ガイドライン（例：Pooled Cohort Equations）と地域特有のEHRデータを統合することで、糖尿病患者における心血管リスク予測性能が向上し、AUCが0.723に達した。これは、地域コhortに直接適用した標準PCEモデルに比べて10.7%高い結果である。

ABSTRACT

Precision medicine requires the precision disease risk prediction models. In literature, there have been a lot well-established (inter-)national risk models, but when applying them into the local population, the prediction performance becomes unsatisfactory. To address the localization issue, this paper exploits the way to develop knowledge-enhanced localized risk models. On the one hand, we tune models by learning from regional Electronic Health Record (EHR) repositories, and on the other hand, we propose knowledge injection into the EHR data learning process. For experiments, we leverage the Pooled Cohort Equations (PCE, as recommended in ACC/AHA guidelines to estimate the risk of ASCVD) to develop a localized ASCVD risk prediction model in diabetes. The experimental results show that, if directly using the PCE algorithm on our cohort, the AUC is only 0.653, while our knowledge-enhanced localized risk model can achieve higher prediction performance with AUC of 0.723 (improved by 10.7%).

研究の動機と目的

• 国レベルのリスク予測モデルが局所集団に一般化されない問題に対処すること。
• 地域医療現場における慢性疾患リスク予測の正確性を向上させること。
• 臨床知識と地域EHRデータを統合する手法を開発し、モデルの局所適合性を向上させること。
• 実世界の地域コhortにおいて、知識強化モデルと標準モデルの性能を評価すること。

提案手法

• 著者らは、地域特有の人口統計学的特徴と臨床パターンに適合したリスク予測モデルを、地域EHRリポジトリを用いて訓練する。
• 知識インジェクションを実施し、特にPooled Cohort Equations（PCE）という既存の臨床ガイドラインをモデル訓練プロセスに統合する。
• 臨床解釈可能性とPCEフレームワークの構造を保持したまま、局所データを用いてモデルをファインチューニングする。
• AUC（受診者処理特性曲線下積分）を用いて性能を評価し、知識強化モデルと、地域コhortに直接適用したベースラインPCEとの比較を行う。
• モデルの強靭性と一般化性能を向上させるために、局所データ駆動の学習と外部臨床知識のバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 知識強化モデルは、標準モデルに比べて、地域集団における慢性疾患リスク予測の正確性を向上させることができるか？
• RQ2 臨床ガイドライン（例：PCE）を地域EHRデータと統合することで、モデルの性能にどのような影響を与えるか？
• RQ3 国レベルのリスクモデルを地域EHRデータでファインチューニングすることで、特定の地域コhortにおける予測性能がどの程度向上するか？
• RQ4 知識インジェクションは、地域リスク予測における良好なキャリブレーションと識別能力をもたらすか？

主な発見

• 知識強化型局所モデルは、糖尿病コhortにおけるASCVDリスク予測でAUC 0.723を達成した。
• 地域コhortに直接適用したベースラインPooled Cohort EquationはAUC 0.653にとどまり、局所適合性の欠如が示された。
• 知識強化モデルは、同じデータセット上での標準PCEモデルに比べ、AUCで10.7%の性能向上を達成した。
• 臨床知識と地域EHRデータの統合により、モデルの識別能力とターゲット集団への関連性が顕著に向上した。