[論文レビュー] Dynamic Predictions of Postoperative Complications from Explainable, Uncertainty-Aware, and Multi-Task Deep Neural Networks

Benjamin Shickel, Tyler J. Loftus+5 more|arXiv (Cornell University)|Apr 27, 2020

Machine Learning in Healthcare被引用数 4

ひとこと要約

本研究では、術前、術中、術後データを統合して、56,242例の外科患者の術後合併症を動的に予測する、マルチタスクで不確実性を考慮し、解釈可能な深層学習モデルを提案する。このモデルはランダムフォレストを上回る性能を示し、統合勾配法により変更可能なリスク要因を同定し、モンテカルロドロップアウトで予測の不確実性を定量化することで、臨床的信頼性と意思決定支援を向上させた。

ABSTRACT

Accurate prediction of postoperative complications can inform shared decisions regarding prognosis, preoperative risk-reduction, and postoperative resource use. We hypothesized that multi-task deep learning models would outperform random forest models in predicting postoperative complications, and that integrating high-resolution intraoperative physiological time series would result in more granular and personalized health representations that would improve prognostication compared to preoperative predictions. In a longitudinal cohort study of 56,242 patients undergoing 67,481 inpatient surgical procedures at a university medical center, we compared deep learning models with random forests for predicting nine common postoperative complications using preoperative, intraoperative, and perioperative patient data. Our study indicated several significant results across experimental settings that suggest the utility of deep learning for capturing more precise representations of patient health for augmented surgical decision support. Multi-task learning improved efficiency by reducing computational resources without compromising predictive performance. Integrated gradients interpretability mechanisms identified potentially modifiable risk factors for each complication. Monte Carlo dropout methods provided a quantitative measure of prediction uncertainty that has the potential to enhance clinical trust. Multi-task learning, interpretability mechanisms, and uncertainty metrics demonstrated potential to facilitate effective clinical implementation.

研究の動機と目的

• 高分解能の術中生理的時系列データと術前・術後データを統合することで、術後合併症の予測を改善すること。
• ランダムフォレストのような従来のモデルの限界を克服し、より詳細で個別化された患者表現を可能にする深層学習を活用すること。
• 不確実性の定量化とモデルの解釈可能性を通じて、臨床的信頼を高め、行動可能なリスク要因の同定を支援すること。
• マルチタスク学習が予測性能を向上させるとともに、計算コストを削減できるかどうかを評価すること。
• 解釈可能なAIツールを通じて、動的でリアルタイムの意思決定支援を外科医療に提供すること。

提案手法

• 異種の患者データを用いて、9つの一般的な術後合併症を同時に予測するマルチタスク深層ニューラルネットワークを採用した。
• 動的な健康状態を捉えるために、高分解能の術中生理的時系列（例：心電図、血圧）を入力特徴量として統合した。
• 予測の不確実性推定にモンテカルロドロップアウトを適用し、各予測に対して確率的信頼区間を提供した。
• 統合勾配法を用いて、個々の生理的および人口統計学的変数に対する特徴量の重要度を割り当て、モデルの予測を説明した。
• 大学医学センターで実施された67,481件の入院手術を受診した56,242例の縦断的コhortを用いてモデルを学習した。
• 標準的な評価指標（例：AUC-ROC）を用いて、ランダムフォレストベースラインとモデル性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 マルチタスク深層学習モデルは、従来のランダムフォレストモデルと比較して、術後合併症の予測精度を向上させることができるか？
• RQ2 術中生理的時系列データを統合することで、術後リスク予測の粒度と個別化が向上するか？
• RQ3 モンテカルロドロップアウトによる不確実性定量化は、AI駆動予測に対する臨床的信頼をどの程度向上させることができるか？
• RQ4 最も予測に寄与する患者固有の要因は何か。それらは変更可能か？
• RQ5 統合勾配法のような解釈可能手法は、行動可能なリスク要因の同定を通じて、臨床的意思決定支援を可能にするか？

主な発見

• マルチタスク深層学習モデルは、9つの合併症すべてにおいてランダムフォレストモデルを顕著に上回り、AUC-ROCが向上した。
• 術中生理的時系列データを統合したことで、術前データのみのモデルと比較して、より正確で個別化されたリスク予測が可能になった。
• モンテカルロドロップアウトは信頼性の高い不確実性推定を提供し、境界値や複雑な症例では不確実性が高くなる傾向を示し、臨床的リスク分類を支援した。
• 統合勾配法により、特定の変更可能なリスク要因（例：循環動態の不安定、長時間の麻酔）が各合併症に対して同定され、臨床的解釈可能性が向上した。
• マルチタスク学習により、予測性能を損なわず計算リソースの要件を削減でき、モデルの効率性が向上した。
• 多様な外科研術および患者集団にわたり、強力な一般化性能を示したため、臨床応用の可能性が示された。