[論文レビュー] Enhancing Prediction Models for One-Year Mortality in Patients with Acute Myocardial Infarction and Post Myocardial Infarction Syndrome

Seyedeh Neelufar Payrovnaziri, Laura A. Barrett+3 more|arXiv (Cornell University)|Apr 28, 2019

Machine Learning in Healthcare参考文献 19被引用数 7

ひとこと要約

本研究では、MIMIC-IIIデータベースの構造化されたEHRデータと自由記述の退院要約からの単語埋め込み特徴を統合することで、急性心筋梗塞（AMI）およびAMI後症候群患者の1年生存率予測のためのディープラーニングモデルを向上させた。非構造化テキスト特徴の統合によりモデル性能が著しく向上し、平均正解率92.89%およびF-measure 0.928を達成した。

ABSTRACT

Predicting the risk of mortality for patients with acute myocardial infarction (AMI) using electronic health records (EHRs) data can help identify risky patients who might need more tailored care. In our previous work, we built computational models to predict one-year mortality of patients admitted to an intensive care unit (ICU) with AMI or post myocardial infarction syndrome. Our prior work only used the structured clinical data from MIMIC-III, a publicly available ICU clinical database. In this study, we enhanced our work by adding the word embedding features from free-text discharge summaries. Using a richer set of features resulted in significant improvement in the performance of our deep learning models. The average accuracy of our deep learning models was 92.89% and the average F-measure was 0.928. We further reported the impact of different combinations of features extracted from structured and/or unstructured data on the performance of the deep learning models.

研究の動機と目的

• 高度な機械学習モデルを用いて、AMIおよびAMI後症候群患者の1年生存率予測の正確性を向上させること。
• 自然言語処理技術を用いて、退院要約からの非構造化臨床テキストを既存の予測モデルに統合すること。
• 構造化されたEHRデータと自由記述特徴を組み合わせた際のモデル性能への影響を評価すること。
• 重症ケアのリスク分類に最適な予測性能を最大化する特徴の組み合わせを特定すること。

提案手法

• MIMIC-IIIデータベースの構造化された臨床データを用いてトレーニングされたディープラーニングモデルを採用した。
• 自然言語処理技術を用いて、自由記述の退院要約から単語埋め込みを抽出した。
• 生命徴、検査結果などの構造化特徴と、臨床テキストの分散表現を統合した。
• ハイブリッド特徴セットを用いて、複数のディープラーニングアーキテクチャをトレーニングおよび評価した。
• 交差検証を用いて、さまざまな特徴の組み合わせにおけるモデル性能を評価した。
• モデルハイパーパrameterを最適化し、標準指標（正解率およびF-measure）を用いて評価した。

実験結果

リサーチクエスチョン

• RQ1 臨床的退院要約からの単語埋め込みを統合することで、AMI患者の死亡率予測モデルの性能にどのような影響を与えるか？
• RQ2 構造化されたEHRデータと非構造化テキスト特徴の間で、1年生存率予測に寄与する相対的な貢献度はどの程度か？
• RQ3 構造化特徴と非構造化特徴のどの組み合わせが予測精度を最も高めるか？
• RQ4 マルチモーダルEHRデータを用いてトレーニングされたディープラーニングモデルは、死亡リスク分類を著しく改善できるか？

主な発見

• 退院要約からの単語埋め込みと構造化されたEHRデータの統合により、モデル性能が著しく向上した。
• 最も優れた性能を示したモデルは、複数回の実行において平均正解率92.89%およびF-measure 0.928を達成した。
• 構造化特徉と非構造化特徴の両方を用いたモデルは、構造化特徴のみに依存するモデルよりも優れた性能を示した。
• テキスト由来の埋め込み特徴の貢献度は顕著であり、非構造化ノートに価値ある臨床情報が含まれていることが示された。
• 特徴の組み合わせ分析から、ハイブリッドモデルが一貫して単一モodalアプローチを上回る予測力を持つことが明らかになった。