[論文レビュー] Predicting Clinical Deterioration of Outpatients Using Multimodal Data Collected by Wearables

Dingwen Li, Jay Vaidya+5 more|arXiv (Cornell University)|Mar 12, 2018

Blood Pressure and Hypertension Studies参考文献 34被引用数 3

ひとこと要約

本研究では、心不全の外来患者における臨床的悪化（再入院または死亡）を予測するために、Fitbit Charge HR ワristバンドから得られるマルチモーダルなウェアラブルデータ（歩数、心拍数、睡眠）を用いた機械学習フレームワークを提案する。本システムは88％の患者適合率を達成し、高いデータ収集率（80％の歩数データ）を示した。重み付き1クラスSVMモデルは、早期悪化予測において96.35％の正確性を達成し、LACEインデックスを著しく上回った。

ABSTRACT

Hospital readmission rate is high for heart failure patients. Early detection of deterioration will help doctors prevent readmissions, thus reducing health care cost and providing patients with just-in-time intervention. Wearable devices (e.g., wristbands and smart watches) provide a convenient technology for continuous outpatient monitoring. In the paper, we explore the feasibility of monitoring outpatients using Fitbit Charge HR wristbands and the potential of machine learning models to predicting clinical deterioration (readmissions and death) among outpatients discharged from the hospital. We developed and piloted a data collection system in a clinical study which involved 25 heart failure patients recently discharged from a hospital. The results from the clinical study demonstrated the feasibility of continuously monitoring outpatients using wristbands. We observed high levels of patient compliance in wearing the wristbands regularly and satisfactory yield, latency and reliability of data collection from the wristbands to a cloud-based database. Finally, we explored a set of machine learning models to predict deterioration based on the Fitbit data. Through 5-fold cross validation, K nearest neighbor achieved the highest accuracy of 0.8800 for identifying patients at risk of deterioration using the health data from the beginning of the monitoring. Machine learning models based on multimodal data (step, sleep and heart rate) significantly outperformed the traditional clinical approach based on LACE index. Moreover, our proposed weighted samples one class SVM model can reach high accuracy (0.9635) for predicting the deterioration happening in the future using data collected by a sliding window, which indicates the potential for allowing timely intervention.

研究の動機と目的

• ウェアラブルデバイスを用いた心不全患者における継続的外来モニタリングの実現可能性を評価すること。
• Fitbitワリストバンドを用いたマルチモーダル健康データ（歩数、心拍数、睡眠）の収集におけるデータ収集率、信頼性、患者適合率を評価すること。
• ウェアラブルセンサーデータを用いて臨床的悪化（再入院または死亡）を予測する機械学習モデルの開発と評価すること。
• マルチモーダルデータを用いた機械学習モデルの予測性能を、従来のLACEインデックスと比較すること。
• 縦断的ウェアラブルデータを用いて、臨床的悪化をどの時点まで早期に予測できるかを調査すること。

提案手法

• Fitbit Charge HR ワリストバンドから1分ごとの歩数、心拍数、睡眠時間／質のデータを受動的に収集するクラウドベースのデータ収集システムを導入した。
• 心不全患者25名を対象に、ウェアラブルモニタリングの実世界での実現可能性を評価するための臨床研究を実施した。
• 複数の機械学習モデル（K-近傍法（KNN）、1クラスSVM、ランダムフォレスト）を、マルチモーダルセンサーフィーチャーを用いて評価するため、5分割交差検証を実施した。
• スライディングウインドウ手法を用いて、データ長を増加させた（5日、10日、15日、20日ウインドウ）ことで、早期予測能力を評価した。
• 希少イベント（悪化）の予測を改善するために、重み付きサンプル1クラスSVMを実装し、高い感度と特異度を最適化した。
• モデル評価において感度を約0.95に固定し、高リスク患者の早期発見を優先した。

実験結果

リサーチクエスチョン

• RQ1 Fitbit Charge HR などのウェアラブルデバイスは、心不全の外来患者において、実世界の外来設定で歩数、心拍数、睡眠といったマルチモーダル健康データを信頼性高く収集できるか？
• RQ2 心不全患者の退院後における長期的ウェアラブルモニタリングにおいて、患者適合率とデータ信頼性はどの程度か？
• RQ3 マルチモーダルウェアラブルデータを用いた機械学習モデルは、標準的なLACEインデックスよりも臨床的悪化（再入院または死亡）をより正確に予測できるか？
• RQ4 ウェアラブルデータの最初の数日間の情報のみを用いて、臨床的悪化をどのくらい早く予測できるか？
• RQ5 センサーモダリティ（歩数、心拍数、睡眠）のどの組み合わせが、臨床的悪化の予測性能を最も高めるか？

主な発見

• 88％の患者がFitbit Charge HR ワリストバンドを定期的に着用しており、外来モニタリングにおける高い適合率を示した。
• 参加者の84％のうち80％の1分ごとの歩数データが収集され、活動追跡における高いデータ収集率を示した。
• 心拍数データの中央値のギャップはわずか4分であり、歩数データに比べて収集率は低かったが、許容できるデータ信頼性を示した。
• K-近傍法（KNN）モデルは、歩数、心拍数、睡眠データを統合してリスク予測に使用した際、0.8800の最高正確性を達成した。
• 重み付きサンプル1クラスSVMモデルは、スライディングウインドウを用いたデータを用いて、将来的な悪化予測において96.35％の正確性を達成し、早期警告の強力な可能性を示した。
• 歩数、心拍数、睡眠のマルチモーダルデータを用いたモデルは、単一モダリティのモデルや従来のLACEインデックスを著しく上回り、全特徴量を統合した最良のモデルでは86.67％の正確性を達成した。