[論文レビュー] Predicting Adolescent Suicide Attempts with Neural Networks

Harish S. Bhat, Sidra Goldman‐Mellor|arXiv (Cornell University)|Nov 28, 2017

Suicide and Self-Harm Studies参考文献 15被引用数 17

ひとこと要約

本研究では、2006年から2009年までのカリフォルニアの10〜19歳の522,056名の若年の電子歴史記録（EHR）を用いて、深層ニューラルネットワークを開発し、2010年の自殺未遂を予測した。5回以上の前回の救急・入院歴がある患者に対して、感度0.703、特異度0.980、AUC 0.958の成績を達成した。これは、精神的疾患の履歴を事前に制限しない、広範かつ選択されていない集団に深層学習を適用した初の研究である。

ABSTRACT

Though suicide is a major public health problem in the US, machine learning methods are not commonly used to predict an individual's risk of attempting/committing suicide. In the present work, starting with an anonymized collection of electronic health records for 522,056 unique, California-resident adolescents, we develop neural network models to predict suicide attempts. We frame the problem as a binary classification problem in which we use a patient's data from 2006-2009 to predict either the presence (1) or absence (0) of a suicide attempt in 2010. After addressing issues such as severely imbalanced classes and the variable length of a patient's history, we build neural networks with depths varying from two to eight hidden layers. For test set observations where we have at least five ED/hospital visits' worth of data on a patient, our depth-4 model achieves a sensitivity of 0.703, specificity of 0.980, and AUC of 0.958.

研究の動機と目的

• 実世界の電子的健康記録（EHR）を用いた機械学習により、若年の自殺未遂予測を改善すること。
• EHRデータにおけるクラス不均衡と可変長の患者履歴を、自殺リスクモデリングの文脈で取り扱うこと。
• 精神的疾患の診断歴がある者に限らない、スケーラブルで一般化可能なモデルを構築すること。
• この臨床予測タスクにおいて、従来の統計的手法や機械学習モデルに比べ、深層ニューラルネットワークが優れた代替手段であることを評価すること。

提案手法

• 2006年から2010年までの匿名化されたカリフォルニアの救急および入院記録を用い、10歳から19歳の522,056名の若年を対象とした。
• 予測を二値分類問題として定式化し、2010年に自殺未遂（E950.0–E959.x）が発生した場合は1、それ以外は0とする。
• カテゴリカル予測変数にはワンホットエンコーディングを適用し、訪問レベルの入力としてCCS診断コードを処理した。
• 2層、4層、8層の隠れ層を備えた深層順伝播ニューラルネットワークを訓練し、入力を正規化し、ドロップアウトを適用して正則化を行った。
• 事前に訪問回数や過去の診断コード（例：自傷、気分障害）で層別化されたテストセットを用いてモデルを評価した。
• 標準的な指標（感度、特異度、適合率、AUC）を用い、陽性クラスは自殺未遂として定義した。

実験結果

リサーチクエスチョン

• RQ1 標準的なEHRデータのみを用いて、精神的疾患の履歴制限なしに、深層ニューラルネットワークが若年の自殺未遂を効果的に予測できるか？
• RQ2 訓練期間における患者の医療履歴の長さが、モデルの性能にどのように影響するか？
• RQ3 自傷や気分障害などの既知の高リスク診断コードを条件としてモデルを評価した場合、性能はどのようになるか？
• RQ4 この文脈において、ニューラルネットワークが従来の機械学習や臨床医ベースの予測を上回ることができるか？
• RQ5 クラス不均衡と可変的な訪問頻度が、自殺リスク予測におけるモデルの一般化性能に与える影響は何か？

主な発見

• 5回以上の救急・入院歴がある患者に対して、深さ4のニューラルネットワークは感度0.703、特異度0.980、AUC 0.958を達成した。
• モデルの性能は、より多くの履歴データがある場合に顕著に向上し、5回以上の訪問歴がある患者ではAUCが0.958にまで上昇した。
• 過去に自傷（CCS 662）または精神病的障害（CCS 659）の診断歴がある患者では、感度（例：0.841）と適合率（例：0.714）が著しく高かった。
• 深さ8のモデルは最高の感度（0.735）を示したが、特異度は0.965と低く、再現率と適合率のトレードオフが顕在化した。
• AUCとバランスの取れた指標において、本研究のモデルは以前の機械学習手法（例：Tranら[25]）を上回ったが、感度や適合率においてWalshら[26]に到達しなかった。
• 本研究は、テキストノートや精神的健康評価を必要とせず、大規模かつ現実世界のEHRデータに対して、深層学習が高い予測性能を達成できることを示した。