[論文レビュー] Individualized Risk Prognosis for Critical Care Patients: A Multi-task Gaussian Process Model

Ahmed M. Alaa, Jinsung Yoon+2 more|arXiv (Cornell University)|May 22, 2017

Healthcare Technology and Patient Monitoring参考文献 9被引用数 3

ひとこと要約

本論文では、静的患者特徴と動的生理的時系列データを統合するマルチタスクガウス過程モデルを用いて、ICU患者に対するパーソナライズドでリアルタイムのリスクスコアを提案する。RothmanインデックスやMEWSといった既存のツールに比べ、入室を最大8時間も早期に予測可能であり、陽性予測値35%、真正陽性率50%を達成し、誤報を顕著に低減し、リソースの使用を改善する。

ABSTRACT

We report the development and validation of a data-driven real-time risk score that provides timely assessments for the clinical acuity of ward patients based on their temporal lab tests and vital signs, which allows for timely intensive care unit (ICU) admissions. Unlike the existing risk scoring technologies, the proposed score is individualized; it uses the electronic health record (EHR) data to cluster the patients based on their static covariates into subcohorts of similar patients, and then learns a separate temporal, non-stationary multi-task Gaussian Process (GP) model that captures the physiology of every subcohort. Experiments conducted on data from a heterogeneous cohort of 6,094 patients admitted to the Ronald Reagan UCLA medical center show that our risk score significantly outperforms the state-of-the-art risk scoring technologies, such as the Rothman index and MEWS, in terms of timeliness, true positive rate (TPR), and positive predictive value (PPV). In particular, the proposed score increases the AUC with 20% and 38% as compared to Rothman index and MEWS respectively, and can predict ICU admissions 8 hours before clinicians at a PPV of 35% and a TPR of 50%. Moreover, we show that the proposed risk score allows for better decisions on when to discharge clinically stable patients from the ward, thereby improving the efficiency of hospital resource utilization.

研究の動機と目的

• 重症ケア患者のためのリアルタイムでデータ駆動型のリスクスコアを開発し、既存の臨床的リスクスコアリングシステムを上回ること。
• 一様なモデルの限界を克服するため、個々の患者の特徴と時間的経過に伴う生理的トレースを統合すること。
• 時間的経過に伴う非定常的で不規則にサンプリングされた生理的データをモデル化することで、誤報を低減し、アラーム疲労を軽減すること。
• 臨床的に安定した患者の安全な退院と早期ICU入室を可能にすることで、病院リソースの効率を高めること。
• 大規模で多様な6,094名の患者から成る、主要医療機関のデータベースを用いてモデルを検証すること。

提案手法

• モデルは、不規則にサンプリングされたバイタルサインおよび検査データからの非定常的かつ時間的に相関する生理的トレースを捉えるためにマルチタスクガウス過程（GP）を用いる。
• 教師なし学習を用いて、年齢、性別、診断などの静的入院共変量に基づいて患者をサブコhortにクラスタリングし、患者のプロファイル（フェノタイプ）を定義する。
• EHRデータを用いて、臨床的に安定した患者と悪化傾向の患者のそれぞれに対して、個別のGPハイパーパrameterを学習し、フェノタイプ特有のモデリングを可能にする。
• リスクスコアは、観察された生理的時系列を前提とした、悪化対安定の逐次仮説検定における最適な検定統計量として導出される。
• EHRデータ上でエンドツーエンドに訓練され、新しい測定値が到着するたびに、個別化されたリスクスコアがリアルタイムで更新される。
• AUC最適化を目的としたしきい値を設定した、統合型アラームシステムを実装し、ICU移行（高リスク）または退院（低リスク）をトリガーする。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型で個別化されたリスクスコアは、既存の「ワンサイズ・フィットスモール」のリスクスコアリングシステムを上回って、ICU悪化を予測できるか？
• RQ2 静的スナップショットモデルと比較して、時間的経過に伴う全生理的トレースを統合することで、予測の正確性と早期性がどのように向上するか？
• RQ3 静的および動的EHRデータから導出される患者フェノタイプは、モデルの個別化とパフォーマンスをどの程度向上できるか？
• RQ4 本モデルは、陽性予測値と早期性を向上させることで、誤報を低減し、臨床的意思決定を改善できるか？
• RQ5 安定した患者の早期で安全な退院を可能にすることで、本モデルは病院リソースの利用効率を向上できるか？

主な発見

• 提案されたリスクスコアはAUC 0.88を達成し、Rothmanインデックスに比べ20%、MEWSに比べ38%の向上を示した。
• 陽性予測値35%、真正陽性率50%の条件下で、現在の臨床実践に比べてICU入室を最大8時間も早期に予測できた。
• 即時の測定値に依存するのではなく、時間的トレースをモデル化することで、誤報が顕著に低減され、臨床的信頼性が向上し、アラーム疲労が軽減された。
• ランダムフォレスト、RNN、LASSO、HMMsといったすべての比較アルゴリズムを、評価されたすべての指標および設定で上回った。
• ICU移行と安全な退院の両方を同時に予測することで、複数のリスクしきい値の組み合わせにおいて、AUCが優れていた。
• 個別化されたフェノタイプ特有のモデリングにより、非個人化または非時間的モデルに比べ、より正確でパーソナライズされたリスク評価が可能になった。