[論文レビュー] Predicting Discharge Medications at Admission Time Based on Deep Learning

Yang Yuan, Pengtao Xie+5 more|arXiv (Cornell University)|Nov 4, 2017

Machine Learning in Healthcare参考文献 32被引用数 3

ひとこと要約

本論文では、診断記録から投薬を予測するための深層学習アプローチを提案する。畳み込みニューラルネットワーク（CNN）を用い、薬物間の意味的表現および薬理学的相関を活用する。この手法は、最良のベースラインに対して20%のF1スコアの向上を達成し、とくに頻度の低い薬物において優れた性能を示す。これは、薬物間の相関関係を捉える能力に起因する。

ABSTRACT

Predicting discharge medications right after a patient being admitted is an important clinical decision, which provides physicians with guidance on what type of medication regimen to plan for and what possible changes on initial medication may occur during an inpatient stay. It also facilitates medication reconciliation process with easy detection of medication discrepancy at discharge time to improve patient safety. However, since the information available upon admission is limited and patients' condition may evolve during an inpatient stay, these predictions could be a difficult decision for physicians to make. In this work, we investigate how to leverage deep learning technologies to assist physicians in predicting discharge medications based on information documented in the admission note. We build a convolutional neural network which takes an admission note as input and predicts the medications placed on the patient at discharge time. Our method is able to distill semantic patterns from unstructured and noisy texts, and is capable of capturing the pharmacological correlations among medications. We evaluate our method on 25K patient visits and compare with 4 strong baselines. Our methods demonstrate a 20% increase in macro-averaged F1 score than the best baseline.

研究の動機と目的

• 入院時における患者情報が限られ、変化し続ける状況において、退院時の投薬を予測する臨床的課題に対処すること。
• 予測的再検証による薬物の不一致の早期特定を通じて、患者の安全を向上させること。
• 非構造化臨床ノートから学習し、薬物間の複雑な薬理学的関係を捉えるデータ駆動型手法を開発すること。
• とくに低頻度薬に対して、既存のベースラインを上回る、複数の退院薬物を予測すること。
• 入院時データのみを用いて、深層学習を用いて治療計画における臨床意思決定支援を実現する可能性を示すこと。

提案手法

• モデルは、非構造化テキストから意味的表現を学習するため、生の入院記録を用いてCNNを訓練し、退院薬物を予測する。
• 臨床テキストの符号化に単語埋め込みを用い、畳み込みフィルタを用いて複数のスケールでの局所的パターンを抽出する。
• 全結合層における共有潜在要因により、薬物間の薬理学的相関関係を捉えることができ、希少薬の予測を向上させる。
• 入院薬、既往歴、主訴、その他の臨床情報が入力特徴として統合されている。
• 複数ラベル分類フレームワークを採用し、シグモイド活性化関数を用いて同時に複数の薬物を予測する。
• 学習された表現の解釈と意味的理解の妥当性を検証するために、単語埋め込み、畳み込みフィルタ、全結合層の可視化が行われた。

実験結果

リサーチクエスチョン

• RQ1 限られた情報とノイズの多い臨床情報のもとで、生の入院記録のみを用いて、深層学習モデルが退院薬物を正確に予測できるか。
• RQ2 モデルが薬物間の相関関係を捉える能力が、とくに頻度の低い薬物の予測性能をどのように向上させるか。
• RQ3 CNNが、複数の退院薬物を予測する際、従来の機械学習ベースラインをどの程度上回るか。
• RQ4 生テキストからの意味的表現が、単純な特徴ベースモデルと比較して、予測精度をどのように向上させるか。
• RQ5 薬理学的相関関係が、希少薬と一般的な薬物の両方におけるモデルの一般化性能をどのように向上させるか。

主な発見

• CNNモデルは、最良のベースラインと比較して、マクロ平均F1スコアで20%の相対的向上を達成し、全体的な予測性能の大幅な向上を示した。
• アテノロールやジルチアゼムなど頻度の低い薬物において、相関関係学習の効果が顕著に現れ、性能向上が顕著に見られた。
• 最も頻度の高い2種の薬物、メトプロロールとフロセミドについて、F1スコアはそれぞれ0.79および0.70を達成し、一般的な薬物に対しても高い性能を示した。
• モデルのマイクロ平均F1スコアは、0.63の精度と0.70の再現率を示し、全薬物セット全体にわたるバランスの取れた性能を示した。
• マルチレイヤーパーセプトロン（MLP）は、入院薬のみに依存するため、最も悪い性能を示し、広範な臨床的文脈の統合の重要性が浮き彫りになった。
• 希少薬に対するモデルの優れた性能は、データ不足を補うために薬理学的相関関係を活用できる能力に起因する。