[論文レビュー] Predicting Risk-of-Readmission for Congestive Heart Failure Patients: A Multi-Layer Approach

Kiyana Zolfaghar, Nele Verbiest+8 more|arXiv (Cornell University)|Jun 10, 2013

Heart Failure Treatment and Management参考文献 17被引用数 14

ひとこと要約

本稿では、心不全（CHF）患者の30日以内再入院リスクを予測するため、一般リスク、60日以内リスク、30日以内リスクを段階的にモデル化することで、多層分類アプローチを提案する。特徴量とモデルを段階別に最適化した段階的分類器を用いることで、Multicare Health Systemsの実際の病院データにおいて、単層アプローチを著しく上回り、段階的意思決定によって予測精度が向上する。

ABSTRACT

Mitigating risk-of-readmission of Congestive Heart Failure (CHF) patients within 30 days of discharge is important because such readmissions are not only expensive but also critical indicator of provider care and quality of treatment. Accurately predicting the risk-of-readmission may allow hospitals to identify high-risk patients and eventually improve quality of care by identifying factors that contribute to such readmissions in many scenarios. In this paper, we investigate the problem of predicting risk-of-readmission as a supervised learning problem, using a multi-layer classification approach. Earlier contributions inadequately attempted to assess a risk value for 30 day readmission by building a direct predictive model as opposed to our approach. We first split the problem into various stages, (a) at risk in general (b) risk within 60 days (c) risk within 30 days, and then build suitable classifiers for each stage, thereby increasing the ability to accurately predict the risk using multiple layers of decision. The advantage of our approach is that we can use different classification models for the subtasks that are more suited for the respective problems. Moreover, each of the subtasks can be solved using different features and training data leading to a highly confident diagnosis or risk compared to a one-shot single layer approach. An experimental evaluation on actual hospital patient record data from Multicare Health Systems shows that our model is significantly better at predicting risk-of-readmission of CHF patients within 30 days after discharge compared to prior attempts.

研究の動機と目的

• 30日以内のCHF再入院リスクの予測精度を向上させるために、問題を複数の逐次的段階に分解すること。
• 直接的に30日以内リスクを予測する従来の単層モデルが、中間段階のリスク評価を無視するという限界を克服すること。
• 各段階のリスク予測に異なるモデル、特徴量、学習データを用いることで、より確信を持てる的確なリスク診断を可能にすること。
• Multicare Health Systemsの実臨床データを用いて、モデルの性能を評価すること。
• 段階的分類が、一括で予測する直接的モデルに比べて予測性能を向上させることを示すこと。

提案手法

• 問題を3つの逐次的段階に分解する：(a) 再入院の一般リスク、(b) 60日以内のリスク、(c) 30日以内のリスク。
• 各段階で関連する特徴量とデータサブセットに基づいて訓練された専用分類器を採用し、モデルの特化を可能にする。
• 各段階の特定のサブタスクに適したモデルの選定が行われる。
• 特徴量は段階ごとに最適化され、予測期間が短くなるに従い、臨床的に関連性の高い変数に焦点が当たる。
• 段階的予測パイプラインを用いる：患者は各層を順次通過し、段階的にリスク推定値が洗練される。
• 分類器の学習と検証に、Multicare Health Systemsの実際の電子的健康記録データを活用する。

実験結果

リサーチクエスチョン

• RQ1 単層モデルに比べて、多層分類アプローチが30日以内のCHF再入院リスク予測の精度を向上させることができるか？
• RQ2 一般リスク、60日以内リスク、30日以内リスクという段階的リスクレベルに分けることで、モデルの性能と診断の信頼性が向上するか？
• RQ3 各段階に異なる分類器と特徴量を効果的に適用することで、全体の予測力が向上するか？
• RQ4 本手法は、実臨床データにおける予測性能の観点から、従来の手法に比べて優れているか？
• RQ5 各段階における特徴量選択とモデル特化が、最終的な予測精度に与える影響は何か？

主な発見

• 多層アプローチは、従来の単層モデルに比べ、30日以内のCHF再入院リスク予測において顕著に優れた性能を示す。
• 段階的分類フレームワークにより、各段階に特化したモデルを活用することで、より高い信頼性と的確なリスク診断が可能になる。
• 各段階に異なる特徴量と学習データを用いることで、統一的で一括処理を行うアプローチに比べ、モデル性能が向上する。
• 本手法は、Multicare Health Systemsの実患者データにおいて、優れた予測性能を示す。
• 結果から、逐次的リスクモデリングが、退院前に高リスク患者を特定する能力を高めることを確認できる。
• 直接予測モデルに比べ、本手法はより洗練され、臨床的行動に役立つリスク評価を提供する。