[論文レビュー] Finding Algebraic Structure of Care in Time: A Deep Learning Approach

Phuoc Nguyen, Truyen Tran+1 more|arXiv (Cornell University)|Nov 21, 2017

Machine Learning in Healthcare参考文献 11被引用数 4

ひとこと要約

本論文は、電子的医療記録（EMR）における多疾患・多治療の相互作用を捉えるために、疾患と治療を共有のベクトル空間に埋め込む深層学習モデルを提案する。訪問履歴をモデル化するための長短期記憶（LSTM）ネットワークを用い、糖尿病および精神疾患コhortにおいて、競争力のあるAUCスコア（最大0.73）で予測不能な再入院を予測する。これは、医療要因の代数的変換がリスク予測に価値をもたらすことを示している。

ABSTRACT

Understanding the latent processes from Electronic Medical Records could be a game changer in modern healthcare. However, the processes are complex due to the interaction between at least three dynamic components: the illness, the care and the recording practice. Existing methods are inadequate in capturing the dynamic structure of care. We propose an end-to-end model that reads medical record and predicts future risk. The model adopts the algebraic view in that discrete medical objects are embedded into continuous vectors lying in the same space. The bag of disease and comorbidities recorded at each hospital visit are modeled as function of sets. The same holds for the bag of treatments. The interaction between diseases and treatments at a visit is modeled as the residual of the diseases minus the treatments. Finally, the health trajectory, which is a sequence of visits, is modeled using a recurrent neural network. We report preliminary results on chronic diseases - diabetes and mental health - for predicting unplanned readmission.

研究の動機と目的

• 電子的医療記録（EMR）における疾患、ケア、データ記録の動的相互作用をモデル化すること。
• 疾患と治療を共有の空間に連続的ベクトルとして表現し、医療要因の代数的変換を可能にすること。
• 手動による特徴工学を一切行わず、エンドツーエンドの深層学習フレームワークを用いて、将来的なリスク（例：予期しない再入院）を予測すること。
• 疾患と治療のベクトル差（進捗）を用いてケア進行をモデル化することで、時間経過に伴う予測性能が向上するかどうかを検証すること。

提案手法

• 学習された埋め込みを用いて、疾患と治療を共有の連続的ベクトル空間に埋め込む。
• 疾患と治療のバッグは、正則化されたベクトルの和（リクトフィケーション付き）を計算する微分可能な集合関数によって表現される。
• 訪問における疾患と治療の相互作用は、残差（疾患ベクトルから治療ベクトルを引いたもの）としてモデル化され、ケア効果を捉える。
• 長短期記憶（LSTM）ネットワークが、訪問表現の系列を処理し、縦断的健康トレースをモデル化する。
• バイナリクロスエントロピー損失を用いて、将来的なリスク（例：予期しない再入院）を予測するようにエンドツーエンドで学習する。
• 進行状態の情報を組み込んだバリエーションは、糖尿病データにおいて性能が向上し、時間的ダイナミクスが予測に重要であることが示唆された。

実験結果

リサーチクエスチョン

• RQ1 埋め込み医療要因（例：疾患および治療ベクトル）における代数的演算が、EMRにおける多疾患・多治療の相互作用を効果的にモデル化できるか？
• RQ2 疾患と治療ベクトルの残差をモデル化することで、標準的手法と比較してリスク予測性能がどのように向上するか？
• RQ3 疾患と治療ベクトルの差（進捗）を組み込むことで、時間経過に伴い予測性能が向上するか？
• RQ4 生のEMRデータに端を発するエンドツーエンドの深層学習モデルが、従来のベースラインを上回る性能を示せるか？
• RQ5 医療要因の連続的ベクトル表現は、慢性疾患の進行経路を解釈可能かつ一般化可能にモデル化するためにどの程度有効か？

主な発見

• 多疾患・多治療（MDMTP）モデルは、糖尿病データでAUC 0.718、精神疾患データでAUC 0.726を達成し、ベースライン手法を上回った。
• 進行状態を組み込んだMDMTP+LSTMバリエーションは、糖尿病でAUC 0.701、精神疾患でAUC 0.730を達成し、進行ダイナミクスをモデル化することで性能が向上した。
• 特に精神疾患予測において、BoW+LR や Deepr といった強力なベースラインと比較して、競争力のある性能を示した。
• 疾患状態の軌跡の可視化では、高リスク患者は時間経過とともに状態が悪化するのに対し、低リスク患者は安定性を示す明確なパターンが観察された。
• エンドツーエンドアーキテクチャにより、遠く離れたリスク要因への責任割り当てが可能となり、非微分可能なモデルと比較してモデルの透明性が向上した。
• 代数的視点により、ベクトル減算による疾患・治療相互作用の直感的なモデル化が可能となり、臨床的推論のための有望なフレームワークであることが示唆された。