[論文レビュー] Identifying Sub-Phenotypes of Acute Kidney Injury using Structured and Unstructured Electronic Health Record Data with Memory Networks

Zhenxing Xu, Jingyuan Chou+11 more|arXiv (Cornell University)|Apr 10, 2019

Machine Learning in Healthcare参考文献 51被引用数 5

ひとこと要約

本研究では、ICU患者における急性腎障害（AKI）の3つの異なるサブフェノタイプを同定するために、構造化および非構造化電子歴史記録（EHR）データを統合するメモリネットワークベースのディープラーニングモデルを提案する。この手法は縦断的EHRデータを活用して患者の表現を抽出し、クラスタリングを実施し、臨床マーカーに基づいてサブフェノタイプを解釈する。その結果、サブフェノタイプとAKIステージとの間に強く有意な関連が示され、血清クレアチニンおよびeGFRに統計的に有意な差が認められた。

ABSTRACT

Acute Kidney Injury (AKI) is a common clinical syndrome characterized by the rapid loss of kidney excretory function, which aggravates the clinical severity of other diseases in a large number of hospitalized patients. Accurate early prediction of AKI can enable in-time interventions and treatments. However, AKI is highly heterogeneous, thus identification of AKI sub-phenotypes can lead to an improved understanding of the disease pathophysiology and development of more targeted clinical interventions. This study used a memory network-based deep learning approach to discover AKI sub-phenotypes using structured and unstructured electronic health record (EHR) data of patients before AKI diagnosis. We leveraged a real world critical care EHR corpus including 37,486 ICU stays. Our approach identified three distinct sub-phenotypes: sub-phenotype I is with an average age of 63.03$ \pm 17.25 $ years, and is characterized by mild loss of kidney excretory function (Serum Creatinine (SCr) $1.55\pm 0.34$ mg/dL, estimated Glomerular Filtration Rate Test (eGFR) $107.65\pm 54.98$ mL/min/1.73$m^2$). These patients are more likely to develop stage I AKI. Sub-phenotype II is with average age 66.81$ \pm 10.43 $ years, and was characterized by severe loss of kidney excretory function (SCr $1.96\pm 0.49$ mg/dL, eGFR $82.19\pm 55.92$ mL/min/1.73$m^2$). These patients are more likely to develop stage III AKI. Sub-phenotype III is with average age 65.07$ \pm 11.32 $ years, and was characterized moderate loss of kidney excretory function and thus more likely to develop stage II AKI (SCr $1.69\pm 0.32$ mg/dL, eGFR $93.97\pm 56.53$ mL/min/1.73$m^2$). Both SCr and eGFR are significantly different across the three sub-phenotypes with statistical testing plus postdoc analysis, and the conclusion still holds after age adjustment.

研究の動機と目的

• 現実世界のEHRデータを用いてAKIの臨床的異質性に対処し、サブフェノタイプを同定すること。
• 構造化および非構造化EHRデータを統合するデータ駆動型のアプローチを開発し、AKIサブフェノタイピングを改善すること。
• AKI重症度ステージ（I–III）および特徴的なバイオマーカー特性と相関する臨床的に意味のあるサブフェノタイプを同定すること。
• 縦断的EHRパターンに基づく潜在的な患者サブタイプを解明することで、AKI発症の早期予測と標的療法の向上を図ること。
• 各クラスタ間での主要バイオマーカーの統計的比較を通じて、導出されたサブフェノタイプの臨床的妥当性を検証すること。

提案手法

• 縦断的構造化および非構造化EHRデータを患者表現にエンコードするメモリネットワークベースのディープラーニングアーキテクチャが用いられる。
• モデルは、血液検査値、生命徴収値、およびナラティブノートを含む時系列順の臨床イベントを処理し、文脈に即した患者埋め込みを学習する。
• 非教師ありクラスタリング手法を用いて、患者表現をクラスタリングし、明確なサブフェノタイプを同定する。
• 臨床的解釈のため、年齢を補正した分散分析（ANCOVA）を用いて、クラスタ間で有意に異なる特徴を同定する。
• 包括的な患者フェノタイプを捉えるために、構造化データ（例：血清クレアチニン、eGFR）および非構造化データ（例：臨床ノート）を統合する。
• 臨床的特徴としての特徴量（例：血液検査値、生命徴収値）をクラスタ間で識別することで、解釈可能性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 構造化および非構造化EHRデータを統合するディープラーニングモデルは、生物学的および臨床的に意味のあるAKIサブフェノタイプを同定できるか？
• RQ2 同定されたサブフェノタイプは、血清クレアチニンやeGFRなどの主要バイオマーカーに有意な差を示すか？
• RQ3 導出されたサブフェノタイプとAKI重症度ステージ（KDIGO基準）との間に強い関連があるか？
• RQ4 モデルの表現が、ICU入室後7日以内のAKI発症を予測するのに寄与するか？
• RQ5 年齢を補正した各サブフェノタイプ間での臨床マーカーの差異はどのように変動するか？

主な発見

• 3つの明確なAKIサブフェノタイプが同定された：サブフェノタイプI（平均年齢63.03 ± 17.25歳）は軽度の腎機能障害を示した（SCr 1.55 ± 0.34 mg/dL、eGFR 107.65 ± 54.98 mL/min/1.73 m²）、主にステージI AKIに関連した。
• サブフェノタイプII（平均年齢66.81 ± 10.43歳）は重度の腎機能障害を示した（SCr 1.96 ± 0.49 mg/dL、eGFR 82.19 ± 55.92 mL/min/1.73 m²）、主にステージIII AKIに関連した。
• サブフェノタイプIII（平均年齢65.07 ± 11.32歳）は中程度の腎機能障害を示した（SCr 1.69 ± 0.32 mg/dL、eGFR 93.97 ± 56.53 mL/min/1.73 m²）、主にステージII AKIに関連した。
• 血清クレアチニンおよびeGFRは、3つのサブフェノタイプ間で有意に異なる（p < 0.001）、年齢補正後も有意な差が維持された。
• ヘモグロビン、WBC、および尿量についても、サブフェノタイプ間で有意な差が認められた（p < 0.001）、臨床的プロファイルの明確な差を支持した。
• サブフェノタイプはKDIGO AKIステージと強く一致した：サブタイプIの71.07％がステージI AKI、サブタイプIIの63.39％がステージIII AKI、サブタイプIIIの66.16％がステージII AKIであった。