[論文レビュー] Graph Neural Network on Electronic Health Records for Predicting Alzheimer's Disease

Weicheng Zhu, Narges Razavian|arXiv (Cornell University)|Dec 8, 2019

Machine Learning in Healthcare参考文献 13被引用数 7

ひとこと要約

本論文では、スパースな電子歴史記録（EHR）を用いて、アルツハイマー病（AD）を12–24か月前倒しで予測するグラフニューラルネットワーク（GNN）ベースの手法を提案する。臨床的要因をグラフとしてモデル化することで、診断、検査値、処置の間の複雑な関係を捉え、最先端の性能を達成するとともに、AD進行に関する解釈可能な構造的インサイトを提供する。

ABSTRACT

The cause of Alzheimer's disease (AD) is poorly understood, so forecasting AD remains a hard task in population health. Failure of clinical trials for AD treatments indicates that AD should be intervened at the earlier, pre-symptomatic stages. Developing an explainable method for predicting AD is critical for providing better treatment targets, better clinical trial recruitment, and better clinical care for the AD patients. In this paper, we present a novel approach for disease (AD) prediction based on Electronic Health Records (EHR) and graph neural network. Our method improves the performance on sparse data which is common in EHR, and obtains state-of-art results in predicting AD 12 to 24 months in advance on real-world EHR data, compared to other baseline results. Our approach also provides an insight into the structural relationship among different diagnosis, Lab values, and procedures from EHR as per graph structures learned by our model.

研究の動機と目的

• 実世界のスパースな電子歴史記録（EHR）を用いて、アルツハイマー病（AD）の無症状期を予測する課題に対処すること。
• 臨床的特徴が十分に揃わない低密度EHRデータにおいて、従来の手法が性能を発揮しにくい状況を改善すること。
• 診断、検査値、処置などの臨床的要因間の構造的関係を明らかにする解釈可能なAIフレームワークを開発すること。
• 症状発現以前に高リスク者を同定することで、早期の臨床的介入、より良い臨床試験の被験者選抜、および患者ケアの向上を支援すること。

提案手法

• 本手法は、EHRデータから異種グラフを構築する。ノードは臨床的要因（例：診断、検査値、処置）を表し、エッジは時間的または臨床的関連性を表す。
• グラフニューラルネットワーク（GNN）を用いて、隣接ノードの情報を集約することで、各患者の臨床的履歴の低次元で文脈に即した表現を学習する。
• モデルはエンドツーエンドで訓練され、スパarsityへの対処のためにメッセージパッシングとノード特徴の最適化を重視して、将来のAD診断を予測する。
• 学習されたグラフ構造により、ADを予測する上で重要な臨床的経路や関係性を解釈可能に特定でき、モデルの解釈性が向上する。
• EHR内の出来事の時間的順序を活用し、グラフ構築およびメッセージパッシングの段階で臨床的順序情報を保持する。
• 最終的な予測ヘッドは、最終的なグラフ表現を用いて、12–24か月以内にAD陽性または陰性と分類する。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、スパースなEHRデータを効果的にモデル化し、12–24か月前倒しでアルツハイマー病（AD）を予測できるか？
• RQ2 学習されたグラフ構造は、AD進行に関連する診断、検査値、処置の間の臨床的に意味のある関係をどのように明らかにするか？
• RQ3 本手法は、実世界のEHRデータにおいて、従来の手法に比べて早期AD予測で顕著に優れた性能を示すか？
• RQ4 モデルは、AD発症以前に現れる臨床的特徴の構造的関係について、解釈可能なインサイトを提供できるか？

主な発見

• 提案されたGNNモデルは、実世界のEHRデータにおいて、アルツハイマー病（AD）を12～24か月前倒しで予測する上で最先端の性能を達成した。
• 従来の手法が限界に達するスパースなEHRデータにおいても、本モデルは性能を向上させた。
• 学習されたグラフ構造は、特定の検査値の傾向やAD発症に先行する診断の順序など、意味のある解釈可能な臨床的要因間の関係を明らかにした。
• 本手法は、無症状期の疾患パターンに関する実用的なインサイトを提供し、早期介入やより良い臨床試験設計を支援した。
• モデルの解釈可能性により、臨床医は予測経路を追跡でき、信頼性と臨床的有用性が向上した。
• ベースラインモデルと比較して、GNNアプローチは早期AD検出における予測精度を顕著に向上させた。