[論文レビュー] ISTHMUS: Secure, Scalable, Real-time and Robust Machine Learning Platform for Healthcare

Akshay Arora, Arun Nethi+6 more|arXiv (Cornell University)|Sep 29, 2019

Machine Learning in Healthcare参考文献 10被引用数 4

ひとこと要約

Isthmusは、医療分野向けに設計された、セキュアでヒッパーコンプライアンスを満たしたクラウドベースの機械学習プラットフォームであり、リアルタイムでのデータインジェスト、データの統合、強力な監視機能を備えた予測モデルのエンドツーエンドデプロイメントを可能にします。データパイプラインの標準化、モデルライフサイクル管理の支援、EHR、SDoH、IoTを含む多様なデータソースの統合を通じて、臨床AIのデプロイ時間の短縮を実現しています。トリアージ予測、インディケーターの統合、リアルタイム監視の3つの事例を通じてその有効性が実証されています。

ABSTRACT

In recent times, machine learning (ML) and artificial intelligence (AI) based systems have evolved and scaled across different industries such as finance, retail, insurance, energy utilities, etc. Among other things, they have been used to predict patterns of customer behavior, to generate pricing models, and to predict the return on investments. But the successes in deploying machine learning models at scale in those industries have not translated into the healthcare setting. There are multiple reasons why integrating ML models into healthcare has not been widely successful, but from a technical perspective, general-purpose commercial machine learning platforms are not a good fit for healthcare due to complexities in handling data quality issues, mandates to demonstrate clinical relevance, and a lack of ability to monitor performance in a highly regulated environment with stringent security and privacy needs. In this paper, we describe Isthmus, a turnkey, cloud-based platform which addresses the challenges above and reduces time to market for operationalizing ML/AI in healthcare. Towards the end, we describe three case studies which shed light on Isthmus capabilities. These include (1) supporting an end-to-end lifecycle of a model which predicts trauma survivability at hospital trauma centers, (2) bringing in and harmonizing data from disparate sources to create a community data platform for inferring population as well as patient level insights for Social Determinants of Health (SDoH), and (3) ingesting live-streaming data from various IoT sensors to build models, which can leverage real-time and longitudinal information to make advanced time-sensitive predictions.

研究の動機と目的

• 医療分野における機械学習のデプロイメントを妨げる技術的・規制的課題（データ品質、プライバシー、相互運用性）に対処すること。
• 再利用可能なデータおよびモデルパイプラインを備えたトーンキー型のクラウドホスティングプラットフォームを提供することで、臨床AIモデルの市場投入までの時間を短縮すること。
• 臨床、請求、SDoH、リアルタイムIoTといった多様なデータソースを、統一的で安全な環境に統合し、予測モデリングを可能にすること。
• トレーニング、デプロイメント、評価、再トレーニングを含むエンドツーエンドのモデルライフサイクル管理を支援し、環境間で一貫した特徴工学を実現すること。
• トリアージ生存予測、コミュニティヘルスデータ統合、IoT駆動のリアルタイム監視の事例を通じて、プラットフォームの多様性を実証すること。

提案手法

• IsthmusはMicrosoft Azureクラウド上にホスティングされており、ヒッパーコンプライアンスを満たしたインfraストラクチャにより、セキュリティ、フェイルセーフ、ディザスタリカバリーを確保しています。
• カスタマイズ可能なデータインジェストパイプラインは、Apache NiFiを活用してEHR、請求、SDoH、IoTソースからの構造化および非構造化データを収集・クリーニングし、PostgreSQLに格納します。
• トレーニングとインフェレンスの両方で再利用可能な標準化されたデータ変換パッケージを採用することで、一貫性を確保し、本番環境におけるデータまたは特徴のドリフトを検出します。
• APIを介したモデルデプロイメントをサポートしており、リアルタイムスコアリングおよび臨床ワークフローとEHRシステムへの統合を可能にしています。
• モジュラーなアーキテクチャにより、プロジェクト単位での隔離とコード再利用が可能となり、重複を減らし開発を加速します。
• リアルタイムでのモデル更新を可能にし、将来的にはA/Bテストおよびマルチアームドバンディットテストのサポートを計画しています。

実験結果

リサーチクエスチョン

• RQ1 医療データと規制基準の独自の要件を満たすために、セキュアでスケーラブルかつリアルタイム対応の機械学習プラットフォームをどのようにアーキテクチャすることができるか？
• RQ2 臨床MLパイプラインにおいて、トレーニングとインフェレンスの両環境で一貫した特徴工学を実現するための技術的・アーキテクチャ的パターンは何か？
• RQ3 EHR、請求、SDoH、IoTといった異種のデータソースを、予測モデリングのための単一のプラットフォームに統合・統合化するにはどうすればよいか？
• RQ4 点対点ソリューションと比較して、統合プラットフォームが臨床現場におけるモデルパフォーマンスとデプロイ速度をどの程度向上できるか？
• RQ5 リアルタイムのモデル監視、ドリフト検出、再トレーニングを実現するトーンキー型プラットフォームの実用的意義は何か？

主な発見

• Isthmusプラットフォームは、複数のプロジェクトにわたる標準化されたデータパイプラインとモデルデプロイメント環境の再利用により、臨床AIモデルのデプロイ時間の短縮を実現しました。
• ブロックグループレベルでの社会的決定要因（SDoH）データの統合により、早産リスク予測モデルの予測性能が顕著に向上しました。
• プラットフォームは、屋内空気質IoTセンサーからのリアルタイムデータを正常にインジェストおよび処理でき、ストリーミングデータワークロードに対応していることを実証しました。
• 中央集権的で安全かつ監査可能なデータパイプラインの採用により、トレーニングとインフェレンス間での一貫性のあるデータ品質と特徴工学が実現され、ドリフトに起因するモデルの劣化が低減しました。
• プラットフォームのモジュラーかつ再利用可能なアーキテクチャにより、重複作業を最小限に抑えつつ、多数のモデルを迅速にプロトタイピングおよびデプロイ可能となりました。
• 事例研究を通じて、トリアージ生存予測から人口健康分析まで、多様なユースケースを1つのコンプライアンス準拠インfraストラクチャで効果的にサポートできることを確認しました。