[論文レビュー] Hospital Readmission Prediction - Applying Hierarchical Sparsity Norms for Interpretable Models

Jialiang Jiang, Sharon Hewner+1 more|arXiv (Cornell University)|Apr 3, 2018

Child Nutrition and Water Access参考文献 14被引用数 3

ひとこと要約

本論文は、患者の疾患歴および人口統計的特徴から病院再入院リスクを予測する解釈可能なロジスティック回帰モデルを構築するために、木構造的グループLASSOを用いた階層的スパarsity誘導正則化法を提案する。ICD-9-CM疾患コードの階層構造を活用することで、優れた性能（AUC ~0.75）を達成し、入院中の感染症、精神的健康状態、薬物乱用、および栄養不良や住宅の不安定さといった社会的要因を含む主要なリスク要因を同定する。臨床的意思決定支援に役立つ具体的な知見を提供する。

ABSTRACT

Hospital readmissions have become one of the key measures of healthcare quality. Preventable readmissions have been identified as one of the primary targets for reducing costs and improving healthcare delivery. However, most data driven studies for understanding readmissions have produced black box classification and predictive models with moderate performance, which precludes them from being used effectively within the decision support systems in the hospitals. In this paper we present an application of structured sparsity-inducing norms for predicting readmission risk for patients based on their disease history and demographics. Most existing studies have focused on hospital utilization, test results, etc., to assign a readmission label to each episode of hospitalization. However, we focus on assigning a readmission risk label to a patient based on their disease history. Our emphasis is on interpreting the models to improve the understanding of the readmission problem. To achieve this, we exploit the domain induced hierarchical structure available for the disease codes which are the features for the classification algorithm. We use a tree based sparsity-inducing regularization strategy that explicitly uses the domain hierarchy. The resulting model not only outperforms standard regularization procedures but is also highly sparse and interpretable. We analyze the model and identify several significant factors that have an effect on readmission risk. Some of these factors conform to existing beliefs, e.g., impact of surgical complications and infections during hospital stay. Other factors, such as the impact of mental disorder and substance abuse on readmission, provide empirical evidence for several pre-existing but unverified hypotheses. The analysis also reveals previously undiscovered connections such as the influence of socioeconomic factors like lack of housing and malnutrition.

研究の動機と目的

• 患者の疾患歴および人口統計的データを用いて、解釈可能な再入院リスク予測モデルを開発すること。
• 臨床的意思決定支援におけるブラックボックスモデルの限界を克服し、モデルの透明性と解釈可能性を向上させること。
• ICD-9-CM疾患コードの階層的構造を活用して、特徴選択とモデル性能の向上を図ること。
• 入院中の出来事以外の臨床的意味のある行動的および社会的要因といった、実行可能なリスク要因を同定すること。
• モデルの解釈を通じて、避けるべき再入院を減らすためのデータ駆動型・証拠に基づく戦略を可能にすること。

提案手法

• 本研究では、ICD-9-CM疾患コードの階層構造に沿ったスパarsityを強制するために、木構造的階層的グループLASSOノルムを用いたロジスティック回帰モデルを採用する。
• ICD-9-CMコードの階層的構造を事前知識として用い、関連する疾患群全体が関連している場合にはそれらを一括して選択を促進する。
• モデルは、100万人を超える患者と18,000種類の診断コードをカバーするニューヨーク州メディケイド請求データ上で学習される。
• 解釈可能性は、再入院リスクに最も予測的である疾患コードグループおよび個々のコードを同定することで向上する。
• 特定の慢性疾患（例：糖尿病、COPD）を有する患者のサブグループに対して分析を行い、疾患固有のリスク要因を同定する。
• 標準的な指標（AUCなど）を用いてモデルの性能を評価し、標準L1およびグループLASSO正則化手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 階層的スパarsity正則化は、再入院予測モデルの解釈可能性と性能をどのように向上させるか？
• RQ2 ICD-9-CM階層を活用した場合、どの疾患コードおよびコードグループが再入院リスクに対して最も予測的か？
• RQ3 行動的または社会的要因といった非臨床的要因のうち、どれが再入院リスクに顕著に影響を与えるか？
• RQ4 特定の慢性疾患を有するサブグループでは、リスク要因はどのように異なるか？
• RQ5 構造的スパarsityモデルは、請求データにおいて以前に未知または軽視されていたリスク要因を明らかにできるか？

主な発見

• 木構造的階層的グループLASSOモデルは、標準L1およびグループLASSO正則化を上回り、再入院予測においてAUC約0.75を達成した。
• 外科的感染症および自殺念慮は、すべての患者サブグループにおいて一貫して最も重要な診断コードとして同定された。
• 精神的障害および薬物乱用は、再入院の有意な予測因子であることが判明し、長年の臨床的仮説を実証的裏付けた。
• 栄養不良や安定した住居の欠如といった社会的要因は、主要なリスク要因として特定され、社会的決定要因と再入院の間に強い関連があることを示唆した。
• 糖尿病やCOPDなどの慢性疾患を有する患者では、一時性脳虚血や膵疾患といった合併症が、再入院リスクの強力な予測因子であった。
• モデルは、特定の慢性疾患サブグループにおいて、特定の診断コードが独自に予測的であることを明らかにした。これは、合併症が再入院リスクにおいて重要な役割を果たしていることを強調している。