[論文レビュー] Predicting Blood Pressure Response to Fluid Bolus Therapy Using Attention-Based Neural Networks for Clinical Interpretability

Uma Girkar, Ryo Uchimido+4 more|arXiv (Cornell University)|Dec 3, 2018

Hemodynamic Monitoring and Therapy参考文献 15被引用数 9

ひとこと要約

本研究では、MIMIC-IIIデータベースの時系列臨床データを用いた注釈付き深層学習モデルを開発し、ICU患者における液体ボーラス療法（FBT）への血圧応答を予測した。スタックドLSTMに注釈機構を組み合わせたモデルが最高の性能（正解率：0.852、AUC：0.925）を達成し、FBT成功に影響を与える重要な生理的時刻と特徴を特定することで、高い予測精度と臨床的解釈可能性を両立した。

ABSTRACT

Determining whether hypotensive patients in intensive care units (ICUs) should receive fluid bolus therapy (FBT) has been an extremely challenging task for intensive care physicians as the corresponding increase in blood pressure has been hard to predict. Our study utilized regression models and attention-based recurrent neural network (RNN) algorithms and a multi-clinical information system large-scale database to build models that can predict the successful response to FBT among hypotensive patients in ICUs. We investigated both time-aggregated modeling using logistic regression algorithms with regularization and time-series modeling using the long short term memory network (LSTM) and the gated recurrent units network (GRU) with the attention mechanism for clinical interpretability. Among all modeling strategies, the stacked LSTM with the attention mechanism yielded the most predictable model with the highest accuracy of 0.852 and area under the curve (AUC) value of 0.925. The study results may help identify hypotensive patients in ICUs who will have sufficient blood pressure recovery after FBT.

研究の動機と目的

• FBTへの血圧応答の予測を改善すること。ICU患者の多くはFBTを受けても反応しないが、FBTは広く使用されている。
• FBTに有益な可能性がある患者を特定することで、不必要な液体投与を回避する臨床的課題に対処すること。
• 実臨床のICU環境での使用に適した、高い予測性能と臨床的解釈可能性を併せ持つ機械学習モデルの開発。
• 時系列モデリングとしての再帰ニューラルネットワーク（RNN）が、時間集約型モデルを上回る性能を示すかを検証すること。
• 注釈機構を用いて、FBT成功に影響を与える臨床的に意味のある特徴および重要な時刻を同定すること。

提案手法

• ICU入室後24時間以内にFBTを受診した17,977例の低血圧患者を含む大規模ICUデータベース（MIMIC-III）を活用。
• 年齢・性別・合併症・生命徴・検査値・血管収縮薬投与量など、時間的静的および時間的変化のある29の臨床的特徴を抽出。
• 正則化付きロジスティック回帰、多層パーセプトロン、および注釈機構を有無にかかわらずLSTMおよびGRUを用いた再帰ニューラルネットワークを適用。
• 時間分解能を12、36、72タイムステップに分割し、時間粒度がモデル性能に与える影響を評価。
• FBT実施直前における最も影響力のあるタイムステップを特定するために、注釈機構を用いた。
• 自己符号化器を用いて、生の臨床データからコンactかつ情報豊富な特徴表現を導出。

実験結果

リサーチクエスチョン

• RQ1 注釈機構を備えた再帰ニューラルネットワークは、従来の時間集約型モデルと比較して、FBTへの血圧応答予測を改善できるか？
• RQ2 FBT成功に予測的であるとされる臨床的特徴は何か。それらは臨床的に妥当な妥当性を有しているか？
• RQ3 RNNにおける注釈機構は、FBT結果に影響を与える臨床的経過における重要な時刻を同定できるか？
• RQ4 自己符号化器の出力である分散表現を用いることで、生の特徴と比較してモデル性能が向上するか？
• RQ5 時系列データを用いたFBT応答予測において、最適な時間粒度は何か？

主な発見

• スタックドLSTMに注釈機構を組み合わせたモデルが最高の性能を示し、正解率0.852、受検者操作特性曲線下積分（AUC）0.925を達成した。
• 72タイムステップ（約20分間隔）のモデルが、粗い粒度よりも優れた性能を示し、細粒度の時系列モデリングが予測精度を向上させることを示した。
• LASSO正則化付きロジスティック回帰は、呼吸数、拡張期血圧、体温、炭酸水素イオン、ベースエクステントを上位の予測特徴として特定したが、これらは過去の臨床研究で軽視されていた。
• 注釈機構は、FBT投与に最も近い時刻を最も影響力のあるものとして強調しており、臨床的直観と整合し、モデルの解釈可能性を向上させた。
• 自己符号化器から導出された特徴表現を用いることで、生の特徴と同等の性能が得られた。これは、高次元臨床データ環境において有効であることを示唆した。
• 注釈機構を備えたGRUおよびLSTMモデルは、非注釈対象モデルを上回った。これは、注釈機構が顕著な時系列パターンを同定する価値を有することを示した。