[論文レビュー] Learning to Detect Sepsis with a Multitask Gaussian Process RNN Classifier

Joseph Futoma, Sanjay Hariharan+1 more|arXiv (Cornell University)|Jun 13, 2017

Sepsis Diagnosis and Treatment参考文献 19被引用数 66

ひとこと要約

スケーラブルなエンドツーエンド分類器を Multitask Gaussian Processes を用いて不規則な多変量臨床時系列を補完し、RNN に入力して敗血症を数時間先まで予測する。

ABSTRACT

We present a scalable end-to-end classifier that uses streaming physiological and medication data to accurately predict the onset of sepsis, a life-threatening complication from infections that has high mortality and morbidity. Our proposed framework models the multivariate trajectories of continuous-valued physiological time series using multitask Gaussian processes, seamlessly accounting for the high uncertainty, frequent missingness, and irregular sampling rates typically associated with real clinical data. The Gaussian process is directly connected to a black-box classifier that predicts whether a patient will become septic, chosen in our case to be a recurrent neural network to account for the extreme variability in the length of patient encounters. We show how to scale the computations associated with the Gaussian process in a manner so that the entire system can be discriminatively trained end-to-end using backpropagation. In a large cohort of heterogeneous inpatient encounters at our university health system we find that it outperforms several baselines at predicting sepsis, and yields 19.4% and 55.5% improved areas under the Receiver Operating Characteristic and Precision Recall curves as compared to the NEWS score currently used by our hospital.

研究の動機と目的

• 豊富で不規則な多変量臨床時系列を活用して、敗血症をより早く正確に検出する。
• 生理データの不確実性と欠損をモデル化して予測性能を改善する。
• MGP ベースの補完をエンドツーエンドの trainable フレームワーク内で深層学習分類器と統合する。

提案手法

• 生理学的時系列を Multitask Gaussian Process (MGP) でモデル化して、変数間の潜在的で規則的な表現を得る。
• MGP を Recurrent Neural Network (RNN, specifically LSTM) に接続し、敗血症の確率を出力する。
• MGP の後方予測分布に対する期待損失をモンテカルロ推定と再パラメータ化で最小化して、エンドツーエンドで訓練する。
• Lanczos ベースの Krylov 法を用いて高次元の MGP Posterior から効率的にサンプルを描くことでスケーラビリティを確保する。
• ベースライン共変量と薬物投与時刻を RNN への追加入力として組み込む。
• NEWS/MEWS/SIRS およびベースライン GP/RNN 変種と比較して性能向上を評価する。

実験結果

リサーチクエスチョン

• RQ1 多タスクガウス過程を用いて、敗血症予測のための不規則な多変量臨床時系列を補間・補完できるか。
• RQ2 エンドツーエンドの MGP-RNN 学習は、従来の Early Warning Scoring や非エンドツーエンドのベースラインより識別性能とタイムリー性を改善するか。
• RQ3 不確実性と変数間の相関を組み込むことが、予測性能と誤報の削減にどの程度寄与するか。

主な発見

• MGP-RNN は敗血症を約4時間前に検出する。
• 4時間前の時点で、感度は 0.85、精度は 0.64。
• MGP-RNN は raw データで訓練した RNN と比べて AU-ROC が 4.3%、AU-PR が 11.1% 改善。
• この方法は NEWS、MEWS、SIRS を上回り、より高い精度と低いアラーム負荷を実現。
• NEWS と比較すると、感度 0.85 かつ 4時間先行の場合、1 真 Alarm 当たり約0.5 の偽アラームとなり、NEWS の約2.5 に対して低い。
• 不確実性伝播を伴うエンドツーエンド訓練は、MGP-RNN-mean および一変量 GP ベースラインよりも成果を提供する。