[論文レビュー] Effectiveness of LSTMs in Predicting Congestive Heart Failure Onset

Sunil Mallya, J. Marc Overhage+3 more|arXiv (Cornell University)|Feb 7, 2019

Artificial Intelligence in Healthcare参考文献 28被引用数 11

ひとこと要約

本研究では、216,394名の患者の縦断的電子歴史記録（EHR）データを用いて、心不全（CHF）発症を最大15か月前倒しで予測するための長短期記憶（LSTM）再帰的ニューラルネットワークモデルを提案する。モデルはAUCROC 0.9147を達成し、ロジスティック回帰、ランダムフォレスト、MLP、CNNベースラインを上回り、スパースで高次元のEHRデータにおける時間的パターンを捉える能力がLSTMに優れていることを示している。

ABSTRACT

In this paper we present a Recurrent neural networks (RNN) based architecture that achieves an AUCROC of 0.9147 for predicting the onset of Congestive Heart Failure (CHF) 15 months in advance using a 12-month observation window on a large cohort of 216,394 patients. We believe this to be the largest study in CHF onset prediction with respect to the number of CHF case patients in the cohort and the test set (3,332 CHF patients) on which the AUC metrics are reported. We explore the extent to which LSTM (Long Short Term Memory) based model, a variant of RNNs, can accurately predict the onset of CHF when compared to known linear baselines like Logistic Regression, Random Forests and deep learning based models such as Multi-Layer Perceptron and Convolutional Neural Networks. We utilize demographics, medical diagnosis and procedure data from 21,405 CHF and 194,989 control patients to as our features. We describe our feature embedding strategy for medical diagnosis codes that accommodates the sparse, irregular, longitudinal, and high-dimensional characteristics of EHR data. We empirically show that LSTMs can capture the longitudinal aspects of EHR data better than the proposed baselines. As an attempt to interpret the model, we present a temporal data analysis-based technique on false positives to attribute feature importance. A model capable of predicting the onset of congestive heart failure months in the future with this level of accuracy and precision can support efforts of practitioners to implement risk factor reduction strategies and researchers to begin to systematically evaluate interventions to potentially delay or avert development of the disease with high mortality, morbidity and significant costs.

研究の動機と目的

• 縦断的EHRデータを用いて、CHF発症を早期に予測できる深層学習モデルの開発。
• 伝統的な機械学習および深層学習モデルと比較してLSTMの有効性を評価すること。
• EHRデータのスパarsity、不規則性、高次元性の課題を、新しい特徴埋め込み戦略により解決すること。
• 誤検出の分析と時間的特徴重要度の割り当てを通じて、モデルの予測を解釈すること。

提案手法

• モデルは、人口統計、診断、処置コードを含む12か月分のEHRデータを入力として使用する。
• 医学的診断コードは、高次元性とスパarsityに対処するための学習可能な埋め込み層を用いて埋め込まれる。
• 双方向LSTMアーキテクチャが、縦断的患者記録における長期的時間的依存性を捉える。
• モデルは、CHF発症を15か月先に予測するように、エンドツーエンドで学習され、バイナリクロスエントロピー損失が使用される。
• 誤検出事例における時間的アブレーションを用いて、特徴重要度を分析し、モデル意思決定の解釈を図る。
• 訓練および評価に、216,394名の患者（3,332例のCHF症例）の大きなコhortを用い、信頼性の高い指標推定を確保する。

実験結果

リサーチクエスチョン

• RQ1 LSTMは、伝統的なモデルと比較して、縦断的EHRパターンを効果的にモデル化し、CHF発症をより正確に予測できるか？
• RQ2 提案された埋め込み戦略は、EHRデータのスパarsityおよび不規則性をどのように処理するか？
• RQ3 CHF予測において、LSTMの予測性能はロジスティック回帰、ランダムフォレスト、MLP、CNNと比較してどの程度か？
• RQ4 誤検出の時間的分析により、臨床的に意味のある特徴重要度をどの程度明らかにできるか？
• RQ5 本モデルは、高い人口統計的および臨床的多様性を示す大規模で現実世界の患者コhortに一般化可能か？

主な発見

• LSTMモデルは、CHF発症を15か月前倒しで予測する際、AUCROC 0.9147を達成し、すべてのベースラインを顕著に上回った。
• フィードフォワードネットワークおよび畳み込みモデルと比較して、EHRデータにおける長期的時間的トレンドを捉える能力に優れた。
• 提案された埋め込み戦略は、縦断的EHRデータにおける診断コードの高次元性とスパarsityを効果的に処理した。
• 誤検出の時間的分析により、特定の診断コードや時間窓が予測誤差に寄与していることが明らかになり、解釈可能性が向上した。
• 本研究は、これまでで最も大規模なCHF予測コホートを報告しており、テストセットに3,332例の確定CHF症例が含まれ、AUCROC指標の信頼性が向上した。
• 結果から、LSTMを用いた早期リスクスクリーニングが、CHF発症の遅延または予防を支援する臨床的介入に貢献できる可能性がある。