[論文レビュー] Interpretable Machine Learning for Resource Allocation with Application to Ventilator Triage

Julien Grand-Clément, Goh, You Hui+3 more|arXiv (Cornell University)|Oct 21, 2021

Emergency and Acute Care Studies参考文献 48被引用数 5

ひとこと要約

本稿では、COVID-19パンデミック期の呼吸器管理装置の優先順位付けを最適化するために、マーカフ連鎖に基づく木構造ポリシーを用いたデータ駆動型で解釈可能な機械学習フレームワークを提案する。モンティフィエア医療センターの実際の患者データを活用することで、単純な意思決定木ベースの指針が得られ、これはニューヨーク州のパンデミック以前の優先順位付けガイドラインよりも著しく過剰死亡を削減した。そのガイドラインは、順番待ち順（先着順）のポリシーと同等の性能にとどまった。

ABSTRACT

Rationing of healthcare resources is a challenging decision that policy makers and providers may be forced to make during a pandemic, natural disaster, or mass casualty event. Well-defined guidelines to triage scarce life-saving resources must be designed to promote transparency, trust, and consistency. To facilitate buy-in and use during high-stress situations, these guidelines need to be interpretable and operational. We propose a novel data-driven model to compute interpretable triage guidelines based on policies for Markov Decision Process that can be represented as simple sequences of decision trees ("tree policies"). In particular, we characterize the properties of optimal tree policies and present an algorithm based on dynamic programming recursions to compute good tree policies. We utilize this methodology to obtain simple, novel triage guidelines for ventilator allocations for COVID-19 patients, based on real patient data from Montefiore hospitals. We also compare the performance of our guidelines to the official New York State guidelines that were developed in 2015 (well before the COVID-19 pandemic). Our empirical study shows that the number of excess deaths associated with ventilator shortages could be reduced significantly using our policy. Our work highlights the limitations of the existing official triage guidelines, which need to be adapted specifically to COVID-19 before being successfully deployed.

研究の動機と目的

• 医療逼迫時における呼吸器管理装置の割り当てに向けた解釈可能なデータ駆動型の優先順位付けガイドラインの開発。
• COVID-19パンデミック以前に策定された、データ駆動型でない既存の公式優先順位付けガイドラインの限界を是正すること。
• 人口統計的および合併症情報の組み込みが、生存率の向上に寄与するか、あるいは倫理的懸念と性能のトレードオフを引き起こすかを評価すること。
• 解釈可能性を確保しつつ、マーカフ連鎖意思決定プロセス最適化と解釈可能な意思決定木を統合する手法を設計すること。
• 主要なパンデミック期の患者データとシミュレーションを用いて、現実の優先順位付けポリシーの性能を評価すること。

提案手法

• 著者らは、患者の健康状態の変化に基づく状態遷移を想定し、有限ホライゾンのマーカフ連鎖意思決定プロセス（MDP）として呼吸器管理装置の割り当て問題を定式化する。
• 分類木アルゴリズムとMDPの解法技術を統合することで、逐次的な優先順位付けルールを表す「木ポリシー」——解釈可能な意思決定木——を導入する。
• 性能と解釈可能性のバランスを図るために、動的計画法に基づくアルゴリズムを開発し、近似的に最適な木ポリシーを計算する。
• 遷移確率と結果の推定に、パンデミック期のピーク時にモンティフィエア医療センターから得た実際の患者データ（n=807）を用いる。
• 理論的MDP報酬ではなく、シミュレーションを用いて性能を評価することで、結果が現実のデータと医療専門家の意見に基づいていることを保証する。
• 倫理的配慮として、生存者数の最大化（功利的目標）と公平性のトレードオフ、特に年齢や合併症に関する配慮を評価に組み込む。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型で解釈可能な機械学習モデルは、非データ駆動型で専門家が設計した優先順位付けガイドラインよりも、パンデミック期における過剰死亡を減少させることができるか？
• RQ2 優先順位付けルールに人口統計的および合併症情報が組み込まれることで、生存率の向上が達成されるか、それとも倫理的懸念と性能のトレードオフが生じるか？
• RQ3 MDPから導出された単純な意思決定木ベースのポリシーは、高リスクの医療資源配分において、解釈可能性と性能のバランスをどの程度効果的に果たせるか？
• RQ4 ニューヨーク州のような既存の公式優先順位付けガイドラインは、COVID-19患者に適用された場合、死亡率をどれほど効果的に低減できていないか？
• RQ5 追加の臨床的および人口統計的要因を含むより複雑な優先順位付けルールよりも、SOFAスコアのみに依存するモデルが、より優れた性能を示せるか？

主な発見

• SOFAスコアのみを用いた本稿で提案された木ポリシーは、ニューヨーク州ガイドラインよりも著しく過剰死亡を削減した。そのガイドラインは、順番待ち順（先着順）のポリシーと同等の性能にとどまった。
• パンデミック以前に策定されたニューヨーク州ガイドラインは、死亡率の低減に失敗し、シミュレーションにおいて単純なFCFS割り当てとほとんど差がなかった。
• 人口統計的および合併症データの組み込みは、死亡率の低下に寄与せず、性能向上なしに倫理的懸念を増大させる可能性があった。
• 本モデルは、SOFAスコアが完璧ではないものの、構造的でルールベースの優先順位付けフレームワークで使用される場合、有効である可能性を示した。
• 本研究は、パンデミック以前に策定された優先順位付けガイドラインが、新種の疾患状況には不適切であり、実際の患者の結果を反映したデータ駆動型の見直しが導入されるまで、運用に適さないことを明らかにした。
• シミュレーション結果から、パンデミック期の患者の実際の結果を反映して優先順位付けポリシーを再考すれば、救える命を著しく増やすことができる可能性がある。