[論文レビュー] MIMIC-Extract: A Data Extraction, Preprocessing, and Representation Pipeline for MIMIC-III

Shirly Wang, Matthew B. A. McDermott+4 more|arXiv (Cornell University)|Jul 19, 2019

Machine Learning in Healthcare参考文献 20被引用数 42

ひとこと要約

MIMIC-Extract は、MIMIC-III EHR データを抽出、前処理、表現し、機械学習モデルのベンチマーク用の準備が整った時系列特徴量、介入、アウトカムを提供するオープンソースのパイプラインです。ICU 予測タスクの頑健性・再現性・拡張性を強調します。

ABSTRACT

Robust machine learning relies on access to data that can be used with standardized frameworks in important tasks and the ability to develop models whose performance can be reasonably reproduced. In machine learning for healthcare, the community faces reproducibility challenges due to a lack of publicly accessible data and a lack of standardized data processing frameworks. We present MIMIC-Extract, an open-source pipeline for transforming raw electronic health record (EHR) data for critical care patients contained in the publicly-available MIMIC-III database into dataframes that are directly usable in common machine learning pipelines. MIMIC-Extract addresses three primary challenges in making complex health records data accessible to the broader machine learning community. First, it provides standardized data processing functions, including unit conversion, outlier detection, and aggregating semantically equivalent features, thus accounting for duplication and reducing missingness. Second, it preserves the time series nature of clinical data and can be easily integrated into clinically actionable prediction tasks in machine learning for health. Finally, it is highly extensible so that other researchers with related questions can easily use the same pipeline. We demonstrate the utility of this pipeline by showcasing several benchmark tasks and baseline results.

研究の動機と目的

• 生データの MIMIC-III EHR データを機械学習用に利用可能な時系列形式へ変換する、頑健で再現性のあるパイプラインを提供する

提案手法

• 最初の成人 ICU 滞在に焦点を当てたコホート抽出（年齢 ≥15、期間 12時間〜<10日）
• 臨床的に情報に基づく閾値を用いた単位標準化と外れ値処理
• バイタルサインと検査値を1時間ごとに集約して時系列特徴量を作成し、欠測を減らす臨床的集約を行う
• 換気、昇圧薬、輸液の1時間ごとの介入信号と静的アウトカムの抽出
• 2つの特徴表現: 生データの ItemID ベースの特徴と臨床的に集約された特徴
• カスタマイズを支援するキーワード駆動の設定、リソースファイル、埋め込み SQL を備えた拡張可能な設計

実験結果

リサーチクエスチョン

• RQ1 MIMIC-III データを予測タスクに適した標準化され、頑健な1時間ごとの時系列にどのように変換できるか？
• RQ2 一般的で再現性のあるデータパイプラインは、MIMIC-III 上のICU機械学習モデルの研究間比較性とベンチマークを改善できるか？
• RQ3 臨床的集約、単位変換、外れ値処理が時間的ドリフトに対するモデルの頑健性に与える影響は？
• RQ4 抽出データで実現可能な予測タスク（死亡率、LOS、1時間ごとの介入）は何で、ベースラインモデルの性能はどうか？

主な発見

• このパイプラインは静的データと時間変化データの両方を含む、34,472人のデフォルトコホートを出力し、複数のベンチマークに適用可能
• 2つの出力形式を提供：生データの Item-level 特徴と臨床的に集約された特徴で、頑健性を向上
• 外れ値検出と単位換算を適用し、臨床的に情報に基づく閾値がデータクリーニングを導く
• 換気、昇圧薬、輸液の1時間ごとの介入を時間変化信号として含む
• ベンチマークタスクには死亡率と LOS の予測、及び複数モデル（LR、RF、GRU-D）を用いた1時間ごとの介入開始/終了の予測が含まれる
• GRU-DとRFは一般にタスクを跨いで高い AUROC/AUPRC を達成し、F1 や精度のパターンにはタスク固有のモデルの強みを示す