[論文レビュー] Identifying Risk of Opioid Use Disorder for Patients Taking Opioid Medications with Deep Learning

Xinyu Dong, Jianyuan Deng+7 more|arXiv (Cornell University)|Oct 9, 2020

Machine Learning in Healthcare参考文献 29被引用数 5

ひとこと要約

本研究では、電子的健康記録（EHR）の履歴を分析することで、オピオイド薬を処方された患者のオピオイド使用症候群（OUD）リスクを予測するためのディープラーニング手法として、長短期記憶（LSTM）ネットワークを提案する。モデルはF1スコア0.8023およびAUROC 0.9369を達成し、従来の機械学習手法を上回り、OUD関連薬物や生命徴などの重要な臨床的特徴を同定した。

ABSTRACT

The United States is experiencing an opioid epidemic, and there were more than 10 million opioid misusers aged 12 or older each year. Identifying patients at high risk of Opioid Use Disorder (OUD) can help to make early clinical interventions to reduce the risk of OUD. Our goal is to predict OUD patients among opioid prescription users through analyzing electronic health records with machine learning and deep learning methods. This will help us to better understand the diagnoses of OUD, providing new insights on opioid epidemic. Electronic health records of patients who have been prescribed with medications containing active opioid ingredients were extracted from Cerner Health Facts database between January 1, 2008 and December 31, 2017. Long Short-Term Memory (LSTM) models were applied to predict opioid use disorder risk in the future based on recent five encounters, and compared to Logistic Regression, Random Forest, Decision Tree and Dense Neural Network. Prediction performance was assessed using F-1 score, precision, recall, and AUROC. Our temporal deep learning model provided promising prediction results which outperformed other methods, with a F1 score of 0.8023 and AUCROC of 0.9369. The model can identify OUD related medications and vital signs as important features for the prediction. LSTM based temporal deep learning model is effective on predicting opioid use disorder using a patient past history of electronic health records, with minimal domain knowledge. It has potential to improve clinical decision support for early intervention and prevention to combat the opioid epidemic.

研究の動機と目的

• オピオイド薬を処方された患者のうち、オピオイド使用症候群（OUD）を発症するリスクが高いかを特定する予測モデルを開発すること。
• 複数の臨床的対応にわたる電子的健康記録（EHR）データを活用し、OUDリスクの早期検出を改善すること。
• 特にLSTMを含むディープラーニングモデルの性能を、ロジスティック回帰やランダムフォレストなどの従来の機械学習手法と比較すること。
• EHRデータからOUDリスク予測に最も寄与する臨床的関連特徴を同定すること。
• 早期の介入を可能にするため、臨床意思決定を支援することにより、オピオイド危機の緩和に貢献すること。

提案手法

• 2008年1月から2017年12月までの間、オピオイド含有薬物が処方された患者のCerner Health Factsデータベースから縦断的EHRデータを抽出した。
• 患者の最近5回の臨床的対応に基づいて、時間的パターンを捉えるための患者シーケンスを構築した。
• EHRデータ内の時間的依存関係をモデル化し、OUDリスク予測に用いるために長短期記憶（LSTM）ネットワークを適用した。
• 比較的性能分析のため、ロジスティック回帰、ランダムフォレスト、決定木、密度ニューラルネットワーク、LSTMを含む複数のモデルを訓練および評価した。
• 訓練済みLSTMモデルから、OUD関連薬物や生命徴などの主要な予測要因を同定するために、特徴の重要度分析を実施した。
• F1スコア、精度、再現率、およびAUROC（受信器操作特性曲線下の面積）といった標準指標を用いて、モデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 最近のEHR履歴のみを用いて、ディープラーニングモデルが将来のオピオイド使用症候群（OUD）リスクを効果的に予測できるか？
• RQ2 LSTMベースの時間的モデルの性能は、従来の機械学習モデルと比較して、OUDリスク予測においてどのように異なるか？
• RQ3 モデルの観点から、EHRデータ内のどの臨床的特徴がOUD発症に対して最も予測的か？
• RQ4 OUD予測の高い性能を達成するために、最小限の分野知識をディープラーニングモデルに組み込むことはどの程度可能か？
• RQ5 OUD発症の前段階で高リスク患者を同定することで、モデルは早期臨床介入を支援できるか？

主な発見

• LSTMベースのディープラーニングモデルは、F1スコア0.8023およびAUROC 0.9369を達成し、ロジスティック回帰、ランダムフォレスト、決定木、密度ニューラルネットワークの各モデルを顕著に上回った。
• モデルは優れた一般化能力と時間的モデリング能力を示し、患者のEHRデータ内の縦断的パターンを効果的に捉えていた。
• OUD関連薬物と生命徴が、モデルの意思決定プロセスにおいて最も重要な予測特徴として同定された。
• 最小限の分野知識で高い予測性能を達成できたため、実臨床現場への導入の可能性が示された。
• 結果から、ディープラーニングモデルは高リスク患者を早期に同定し、適切な臨床介入を可能にするのに効果的に利用できることが示唆された。
• 本研究では、LSTMを用いたEHRデータの時間的モデリングが、高い正確性と解釈可能性を備えたOUDリスク予測の有望なアプローチであると確認された。