[論文レビュー] Predicting readmission risk from doctors' notes

Erin Craig, C. A. A. Arias+1 more|arXiv (Cornell University)|Nov 29, 2017

Machine Learning in Healthcare参考文献 15被引用数 8

ひとこと要約

本研究では、非構造化の医師の退院ノートを自然言語処理（NLP）を用いて深層学習モデルを開発し、30日以内の全病院での予定外再入院を予測した。c-statisticは0.70を達成した。予測の根拠となる特定のフレーズをノートに結びつけることで、解釈可能性を確保し、臨床医がリスク予測を駆動する臨床的特徴を理解できるように設計された。

ABSTRACT

We develop a model using deep learning techniques and natural language processing on unstructured text from medical records to predict hospital-wide $30$-day unplanned readmission, with c-statistic $.70$. Our model is constructed to allow physicians to interpret the significant features for prediction.

研究の動機と目的

• 医師の退院ノートからの非構造化テキストを用いて、30日以内の全病院での予定外再入院を予測すること。
• 臨床医が予測の背後にある特徴を理解できるように、解釈可能性を維持する深層学習モデルを開発すること。
• 構造化EMRデータに記録されていない、予後評価、持続的疾患、治療成績などの臨床的意味のある信号を、物語的ノートから抽出すること。
• 従来のリスクスコア（例：LACE）を超えて、臨床ノートの自然言語理解を活用することで、リスクの高い患者の早期同定を改善すること。
• 非構造化臨床テキストに、浅い解釈可能なニューラルネットワークアーキテクチャを用いて、効果的かつ意味的に明確に抽出可能な予測信号が存在することを示すこと。

提案手法

• バイアスや過学習の低減を目的に、名前、数字、日付、標点を除去することで、退院ノートを前処理した。
• 手動で特定したセクションヘッダーをパターンマッチングで用いて、ノートを標準化されたセクション（例：アレルギー、予後、退院状態）に分割した。
• 長さを700語に標準化するため、長すぎるノートは切り詰め、短すぎるノートには「PADDING」トークンを追加した。
• 事前学習済みのスキップグラムによるword2vecで初期化された単語埋め込みを用いた1次元畳み込みニューラルネットワーク（1D-CNN）を採用した。
• 3-gramレベルの特徴に対して最大プーリングを実施し、各プールド・ノードを入力テキスト内の特定のフレーズに直接結びつけることで、解釈可能性を確保した。
• Kerasを用い、TensorFlowバックエンドとRMSprop最適化アルゴリズムでモデルを学習し、最大プーリングノードの注目度重み付けを用いて影響力のあるフレーズを同定した。

実験結果

リサーチクエスチョン

• RQ1 医師の退院ノートからの非構造化テキストは、臨床的に意味のある性能で30日以内の全病院での予定外再入院を予測できるか？
• RQ2 臨床ノートで学習した深層学習モデルは、LACEのような従来のリスクスコアと同等またはそれ以上の予測性能を達成できるか？
• RQ3 ニューラルネットワークモデルをどの程度解釈可能にできるか。臨床医がその予測に影響を与える特定のフレーズを理解できるか？
• RQ4 予後評価、持続的疾患、治療成績などの、どのような種類の臨床情報が、モデルの学習特徴において最も予測的で識別可能か？
• RQ5 物語的テキストの組み込みが、人口統計、合併症、過去の来院履歴などの構造化データに比べて、リスク予測をどの程度向上させるか？

主な発見

• 1D-CNNモデルは、30日以内の全病院での予定外再入院を予測するテストデータにおいてc-statisticが0.70を達成し、LACE特徴を用いたロジスティック回帰（c-statistic: 0.66）を上回った。
• LACE特徴と組み合わせた場合でも、モデルの予測性能は0.70を維持した。これは、物語的テキストが構造化リスクスコアとは独立した予測的価値を提供していることを示している。
• モデルは医師による予後不良の評価、持続的疾患、実施された手術、薬剤のカテゴリーといった臨床的に関連性のある特徴を効果的に同定した。
• 解釈可能性は、各最大プーリングノードを退院ノート内の特定の3-gramフレーズに結びつけることで達成され、臨床医が実際に使用された臨床的言語にたどり着けるようにした。
• 構造化EMRデータに記録されていない特徴——例えば、主観的な臨床的判断や記録されていない持続的疾患——もモデルが同定した。これは、物語的テキストの独自の価値を示している。
• 限界はあるものの、モデルのパフォーマンスは、物語的臨床ノートが再入院リスクを示す強固で実用的な信号を含んでおり、解釈可能な深層学習を用いて効果的に抽出可能であることを示唆している。