[論文レビュー] Learning from Clinical Judgments: Semi-Markov-Modulated Marked Hawkes Processes for Risk Prognosis

Ahmed M. Alaa, Scott Hu+1 more|arXiv (Cornell University)|May 15, 2017

Gaussian Processes and Bayesian Inference参考文献 20被引用数 11

ひとこと要約

本稿では、電子的健康記録（EHR）データを用いて入院患者の臨床的悪化リスクをモデル化するため、準マコフ変調付きマーク付きハーケス過程を提案する。情報的サンプリング（臨床医が注文した生命徴収）と情報的打ち切りイベント（ICU移行）の両方を捉えることで、潜在的臨床状態を学習し、既存のリスクスコアおよび機械学習手法を上回る性能を示し、最良のベースライン（Rothman Index）に対して23%のAUROC向上を達成した。

ABSTRACT

Critically ill patients in regular wards are vulnerable to unanticipated adverse events which require prompt transfer to the intensive care unit (ICU). To allow for accurate prognosis of deteriorating patients, we develop a novel continuous-time probabilistic model for a monitored patient's temporal sequence of physiological data. Our model captures "informatively sampled" patient episodes: the clinicians' decisions on when to observe a hospitalized patient's vital signs and lab tests over time are represented by a marked Hawkes process, with intensity parameters that are modulated by the patient's latent clinical states, and with observable physiological data (mark process) modeled as a switching multi-task Gaussian process. In addition, our model captures "informatively censored" patient episodes by representing the patient's latent clinical states as an absorbing semi-Markov jump process. The model parameters are learned from offline patient episodes in the electronic health records via an EM-based algorithm. Experiments conducted on a cohort of patients admitted to a major medical center over a 3-year period show that risk prognosis based on our model significantly outperforms the currently deployed medical risk scores and other baseline machine learning algorithms.

研究の動機と目的

• 入院患者の臨床的悪化の時間的ダイナミクスをEHRデータを用いて連続時間確率的モデルで捉えること。
• 臨床医の患者モニタリングタイミング（情報的サンプリング）とICU移行意思決定（情報的打ち切り）を生成プロセスの一部としてモデル化すること。
• EMベースのアルゴリズムを用いて、不規則にサンプリングされた生理的データと観察時刻から潜在的臨床状態を学習すること。
• モデル構造に臨床判断のパターンを統合することで、ICU移行の早期リスク予後を改善すること。
• ICU移行の前における有害事象を予測する際、既存の臨床的リスクスコアおよび機械学習ベースラインを上回ること。

提案手法

• 観察時刻が潜在的臨床状態によって変調されるハーケス過程によって駆動されるマーク付きハーケス過程として患者エピソードをモデル化する。
• 観測された生理的データ（マーク）を、現在の潜在的臨床状態に依存するパラメータを持つスイッチングマルチタスクガウス過程として表現する。
• 潜在的臨床状態を吸収型準マコフジャンプ過程としてモデル化し、吸収が臨床的悪化または回復を表すようにする。
• 観察強度を患者の現在の臨床状態に関連付けることで、情報的サンプリングを組み込む。これは臨床医の緊急性を反映する。
• ICU移行や退院を準マコフ過程における吸収事象としてモデル化することで、情報的打ち切りを組み込む。
• オフラインEHRデータからモデルパラメータを学習するため、EMベースのアルゴリズムを用い、潜在状態と観察ダイナミクスを同時に推定する。

実験結果

リサーチクエスチョン

• RQ1 臨床的判断パターン（観察タイミングと移行意思決定の両方）を、リスク予後における情報的信号としてどのようにモデル化できるか。
• RQ2 不規則にサンプリングされた生理的データと臨床医主導の観察プロセスを同時に捉える連続時間確率的モデルは、早期警告の正確性を向上させられるか。
• RQ3 臨床的悪化を吸収型準マコフ過程としてモデル化することで、標準的なマコフ過程やスライディングウインドウモデルと比較して、リスク予測がどの程度向上するか。
• RQ4 本手法は、ICU移行を予測する際、既存の臨床的リスクスコアおよび機械学習ベースラインと比較して、性能に優れているか。
• RQ5 情報的サンプリングと情報的打ち切りの両方を統合することで、実臨床環境においてより早期かつ正確なリスクスコアが得られるか。

主な発見

• 提案されたリスクスコアはAUROC 0.481を達成し、最良の臨床的リスクスコア（Rothman Index、AUROC 0.255）に対して23%の向上を示した。
• 本手法は、スライディングウインドウランダムフォレスト（AUROC 0.366）を含むすべてのベースライン機械学習手法を上回り、11.5%のAUROC向上を達成した。
• 標準的な隠れマルコフモデル（ガウス出力）と比較して16%のAUROC向上を達成し、準マコフ状態遷移の利点を示した。
• 感度50%の条件下で、リスクスコアは実際のICU移行の中央値8時間前までに警告を発行した。
• 本手法は、推論時に観察プロセスのデータを使用せずに、臨床医の意思決定が患者状態の信号として、および情報的イベントとしての二重の役割を効果的に捉えた。
• 本システムは、優れた prognostic 性能を発揮するとして、現在の臨床的リスクスコアの代替として医療センターに導入が予定されている。