[論文レビュー] Dynamic Mortality Risk Predictions in Pediatric Critical Care Using Recurrent Neural Networks

Melissa Aczon, David Ledbetter+5 more|arXiv (Cornell University)|Jan 23, 2017

Machine Learning in Healthcare参考文献 19被引用数 71

ひとこと要約

本研究は、3層のLSTMベースRNNを12,020件の小児ICUの遭遇データに適用し、ICU内死亡を継続的に予測する。PIM 2やPRISM 3などの静的モデルをAUROCで上回る（約93.4%）

ABSTRACT

Viewing the trajectory of a patient as a dynamical system, a recurrent neural network was developed to learn the course of patient encounters in the Pediatric Intensive Care Unit (PICU) of a major tertiary care center. Data extracted from Electronic Medical Records (EMR) of about 12000 patients who were admitted to the PICU over a period of more than 10 years were leveraged. The RNN model ingests a sequence of measurements which include physiologic observations, laboratory results, administered drugs and interventions, and generates temporally dynamic predictions for in-ICU mortality at user-specified times. The RNN's ICU mortality predictions offer significant improvements over those from two clinically-used scores and static machine learning algorithms.

研究の動機と目的

• 静的スコアリングシステムを超えた小児集中治療における死亡予測の改善を動機づける。
• 新しいデータが到着するたびに死亡リスクを継続的に更新する、動的で時系列を意識したモデルを開発する。
• 長短期記憶ネットワークを活用して異種の時系列臨床データを統合する。
• 動的RNN予測が既存の臨床スコアや静的MLベースラインを上回るか評価する。

提案手法

• モデル: X_V（バイタルサイン）, X_L（検査データ）, X_I（介入）, X_D（薬剤）、およびΔtを用いた未来のホライズンのための3層LSTM RNN。
• データ: ロサンゼルス子ども病院PICUの匿名化EMR（2002年12月–2016年3月）；12,020人の患者、16,559件の遭遇；75%を訓練、25%を保持、同一患者の遭遇は同一セットに含める。
• 前処理: 変数を約300特徴量へ集約、Z正規化、欠損補完（薬剤/介入にはゼロ、生理学的/検査値には前方補完）。
• 出力: t_n + Δt_nでの生存確率; 入力には予測時間の制御/柔軟性のためΔt_nを含む。
• 構成: Kerasベースの3層LSTMネットワークを実装し、ICU死亡を予測。
• 評価: Holdoutデータ上でLR、MLP、PIM 2、PRISM 3に対するROC/AUCの比較。

実験結果

リサーチクエスチョン

• RQ1 動的RNNは、小児患者のICU内死亡を予測する際に、静的臨床スコア（PIM 2、PRISM 3）および静的MLベースラインを上回るか？
• RQ2 観察時間とデータ利用可能性の増加に伴い、予測精度はどう変化するか？
• RQ3 再帰を通じた時系列の傾向のモデリングが予測性能に与える影響は？
• RQ4 生体徴、検査、介入、薬剤など多様なEMR特徴を活用して識別性能を改善できるか？

主な発見

• RNNは、PIM 2およびPRISM 3スコアの併存下で、2849件のholdout遭遇に対してAUROC 93.4%を達成。
• 静的MLベースライン: MLP 88.8%、LR 86.1%； PIM 2 86.3%、PRISM 3 88.0%（p値 < .01 または < .003）。
• 12時間目のRNN予測は、12時間データを使用するPRISM 3を上回る。観察時間が長くなるほどRNNの精度はさらに向上する。
• RNNは新しいデータが到着するたびに動的で継続的に更新される死亡リスクを提供する。一方、静的スコアは ongoingな時系列履歴を組み込まない。
• 約300変数の包含と時系列傾向の動的統合が性能向上を推進；追加のモニタデータや体液バランスの導入などの潜在的改善。