[論文レビュー] Personalized Risk Scoring for Critical Care Patients using Mixtures of Gaussian Process Experts

Ahmed M. Alaa, Jinsung Yoon+2 more|arXiv (Cornell University)|May 3, 2016

Gaussian Processes and Bayesian Inference参考文献 15被引用数 12

ひとこと要約

本稿では、臨床的安定状態の患者から得られた潜在的クラスを用いて、生理的データをモデル化するための混合ガウス過程エキスパートを用いた、個人に合わせたリアルタイムリスクスコアリングシステムを提案する。このシステムは、安定した患者から得られた潜在的クラスを、悪化しつつある患者に転送することで、患者の異質性を考慮した適応的エキスパート重み付けに基づき、MEWS や Rothman 索引、LASSO モデルを上回る性能を示し、陽性予測値で16–18%の向上、AUCで5%の向上を達成した。

ABSTRACT

We develop a personalized real time risk scoring algorithm that provides timely and granular assessments for the clinical acuity of ward patients based on their (temporal) lab tests and vital signs. Heterogeneity of the patients population is captured via a hierarchical latent class model. The proposed algorithm aims to discover the number of latent classes in the patients population, and train a mixture of Gaussian Process (GP) experts, where each expert models the physiological data streams associated with a specific class. Self-taught transfer learning is used to transfer the knowledge of latent classes learned from the domain of clinically stable patients to the domain of clinically deteriorating patients. For new patients, the posterior beliefs of all GP experts about the patient's clinical status given her physiological data stream are computed, and a personalized risk score is evaluated as a weighted average of those beliefs, where the weights are learned from the patient's hospital admission information. Experiments on a heterogeneous cohort of 6,313 patients admitted to Ronald Regan UCLA medical center show that our risk score outperforms the currently deployed risk scores, such as MEWS and Rothman scores.

研究の動機と目的

• 臨床的リスクスコアの精度と粒度を向上させることを目的とした、リアルタイムで個人に合わせたリスクスコアリングシステムの開発。
• 臨床的に安定した患者のデータを用いた教師なし学習により、潜在的生理的サブタイプを同定することで、患者集団の異質性という課題に取り組む。
• 自己学習的転移学習を用いて、安定した患者から悪化しつつある患者に至るまで知識を転送することで、急性ケア環境における正確なリスク評価を可能にする。
• 入院時特徴に基づいて複数のGPエキスパートを動的に重み付けすることで、リスクスコアを個人化し、臨床意思決定支援を強化する。
• MEWS や Rothman 索引といった既存のスコアと比較して、ICU移転や有害事象の予測において本モデルの優位性を検証する。

提案手法

• 階層的潜在クラスモデルが、臨床的に安定した患者の生理的データから、教師なし学習を用いて患者集団のサブグループ数を同定する。
• 各潜在クラスはガウス過程（GP）エキスパートでモデル化され、時間的経過に伴う血液検査および生命徴収データからハイパーパrameterが学習される。
• 自己学習的転移学習により、安定した患者から得られた潜在的クラスが、悪化しつつある患者に転送され、GPエキスパートが急性状態に適応される。
• 新規患者に対しては、すべてのGPエキスパートの事後信念の重み付き平均としてリスクスコアが計算され、重みは入院時特徴から導出される。
• 混合重みは、入院情報（例：性別、他施設からの転送状況など）をエキスパートの責任にマップするパrametricモデルにより学習される。
• モデルの性能は、AUC、真正陽性率（TPR）、陽性予測値（PPV）などの指標を用いて10分割のストラティファイド交差検証で評価される。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型の個人化リスクスコアリングモデルは、MEWS や Rothman 索引といった従来のエキスパートベースのスコアを上回り、ICU移転を予測できるか？
• RQ2 潜在的クラスによる患者の異質性のモデル化は、リアルタイムリスク評価の精度と粒度をどのように向上させるか？
• RQ3 安定した患者から悪化しつつある患者に至る自己学習的転移学習は、モデルの汎化性能と性能をどの程度向上させるか？
• RQ4 どの入院時特徴が、混合モデルにおけるエキスパート割り当てとリスクスコアのばらつきを最も予測できるか？
• RQ5 複数のGPエキスパートのソフトマッピングは、患者を一意に一つのエキスパートに割り当てるハードクラスタリングやエキスパート選択を上回るか？

主な発見

• 4つのエキスパートを用いた本モデルは、MEWSとRothman索引に対して、それぞれ16%および18%の陽性予測値の向上を達成し、p値は0.01未満であった。
• 複数のGPエキスパートを用いた患者の異質性の考慮により、単一エキスパートモデルと比較してAUCが5%向上し、TPRが40%のときPPVが10%向上した。
• 10分割交差検証において、LASSOロジスティック回帰やベースラインスコアと比較して、本モデルは全TPRおよびPPVの設定で一貫して優れた性能を示した。
• 反事後的分析では、同じ生命徴収値を持つにもかかわらず、他施設からの転送を受けた男性患者の方が、非転送の女性患者よりも高いリスクスコアを示した。これは、入院時特徴に基づくエキスパート重み付けによるものであった。
• すべてのエキスパートをソフトマッピングすることで、患者を一意に一つのエキスパートに割り当てるハードクラスタリング手法を上回った。これは、エキスパート信念の確率的で詳細な統合の利点を示している。
• 本モデルは、転送状況や性別といった入院時特徴がエキスパート責任に顕著に影響することを明らかにした。これは、リスク分類における新たな臨床的知見を提供する。