[論文レビュー] Neural Temporal Point Processes For Modelling Electronic Health Records

Joseph Enguehard, Dan Busbridge+3 more|arXiv (Cornell University)|Jul 27, 2020

3D Shape Modeling and Analysis参考文献 63被引用数 7

ひとこと要約

本論文は、電子的健康記録（EHR）を不規則でマルチモーダルなイベント系列としてモデル化するため、ニューラル時系列ポイントプロセス（Neural TPPs）を提案する。ニューラルネットワークを用いて、イベント発生時刻とラベルを同時にモデル化することで、合成データおよびベンチマークEHRデータにおいて非TPPモデルを著しく上回る性能を達成し、臨床意思決定支援のための解釈可能性を提供するアテンションベースの変種を併用する。

ABSTRACT

The modelling of Electronic Health Records (EHRs) has the potential to drive more efficient allocation of healthcare resources, enabling early intervention strategies and advancing personalised healthcare. However, EHRs are challenging to model due to their realisation as noisy, multi-modal data occurring at irregular time intervals. To address their temporal nature, we treat EHRs as samples generated by a Temporal Point Process (TPP), enabling us to model what happened in an event with when it happened in a principled way. We gather and propose neural network parameterisations of TPPs, collectively referred to as Neural TPPs. We perform evaluations on synthetic EHRs as well as on a set of established benchmarks. We show that TPPs significantly outperform their non-TPP counterparts on EHRs. We also show that an assumption of many Neural TPPs, that the class distribution is conditionally independent of time, reduces performance on EHRs. Finally, our proposed attention-based Neural TPP performs favourably compared to existing models, whilst aligning with real world interpretability requirements, an important step towards a component of clinical decision support systems.

研究の動機と目的

• ノイジーで不規則かつマルチモーダルなEHRを、整合的な確率的枠組みを用いてモデル化する課題に対処すること。
• 縦断的記録を時系列ポイントプロセス（TPP）からのサンプルとみなすことにより、EHRのモデル化を改善すること。
• 時刻とイベントラベルを同時にモデル化するTPPのニューラルネットワークパラメータ化（Neural TPPs）を開発すること。
• Syntheaを用いて生成された合成EHRおよび確立されたTPPベンチマークを用いて、性能を評価すること。
• 臨床的ニーズに即した意思決定支援要件と整合するアテンションベースのメカニズムを導入することで、臨床的解釈可能性を確保すること。

提案手法

• EHRを時系列ポイントプロセス（TPP）の実現とみなす。イベント発生の条件付き強度λ∗m(t)をモデル化する。
• ニューラルネットワークを用いて条件付き強度関数をパラメータ化し、イベントダイナミクスの柔軟で非線形なモデル化を可能にする。
• マルチクラスまたはマルチラベルの対数尤度目的関数を用いて、時刻とラベルの進化の間の依存関係を捉えることで、時刻とラベルを同時にモデル化する。
• 1つのモデル変種ではアテンションメカニズムを用い、過去のイベントに対する解釈可能なアテンション重みを提供する。
• データプライバシーを確保し、制御された評価を可能にするために、Syntheaシミュレータを用いて合成EHRを生成する。
• 性能を時刻の正確さとラベルの正確さに分解する指標を用いて、モデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 時刻とラベルを同時にモデル化することで、時刻に条件付けられた独立性を仮定するモデルに比べ、EHR表現が向上するか？
• RQ2 Neural TPPsは、合成EHRおよび実世界のEHRベンチマークの両方で、非TPPベースラインを上回る性能を示せるか？
• RQ3 ラベル分布の時刻に条件付けられた独立性の仮定が、EHRデータにおける性能に与える影響は何か？
• RQ4 Neural TPPに組み込まれたアテンションメカニズムは、高い性能と臨床的に解釈可能なアテンション重みを両立できるか？
• RQ5 一般的に用いられるTPPベンチマークデータセットは真に挑戦的であるのか、それとも時刻に依存しないモデルで容易に解けるのか？

主な発見

• 時刻とラベルを同時にモデル化するNeural TPPsは、ラベルを時刻に条件付けられた独立性を仮定するモデルに比べ、顕著に優れた性能を示す。
• ラベル分布と時刻の間の条件付き独立性の仮定は、EHRデータにおいて性能を低下させることが示され、この文脈ではその仮定が不適切であることが明らかになった。
• 合成EHRではTPPモデルが非TPPモデルを上回るが、一部の標準的TPPベンチマークは、時刻に依存しないモデルによって容易に解ける。
• 提案されたアテンションベースのNeural TPPは、優れた性能を達成するとともに、過去のイベントに対する解釈可能なアテンションを提供し、臨床意思決定支援統合を支援する。
• ラベルの正確さと時刻の正確さに分解する指標は、ラベル付きEHRデータに対するTPPの評価に不可欠である。
• 本研究は、非定常な医療知識に起因するモデルのドリフトのリスクと、予測型ヘルスケアモデルが医療アクセスや患者の自律性に与える倫理的影響を浮き彫りにした。