[論文レビュー] Predicting Surgery Duration with Neural Heteroscedastic Regression

Nathan Ng, Rodney A. Gabriel+3 more|arXiv (Cornell University)|Feb 17, 2017

Healthcare Operations and Scheduling Optimization参考文献 2被引用数 16

ひとこと要約

本論文は、深層学習を用いて平均と分散を同時に推定することで、手術時間とその不確実性を予測するニューラル異分散回帰モデルを提案する。現在の実務と比較して過剰予約分の20％削減を実証し、非均一分散モデルは、特に非対称なコスト構造下で、対数尤度および意思決定理論的スケジューリング効率において均一分散ベースラインを上回る。

ABSTRACT

Scheduling surgeries is a challenging task due to the fundamental uncertainty of the clinical environment, as well as the risks and costs associated with under- and over-booking. We investigate neural regression algorithms to estimate the parameters of surgery case durations, focusing on the issue of heteroscedasticity. We seek to simultaneously estimate the duration of each surgery, as well as a surgery-specific notion of our uncertainty about its duration. Estimating this uncertainty can lead to more nuanced and effective scheduling strategies, as we are able to schedule surgeries more efficiently while allowing an informed and case-specific margin of error. Using surgery records %from the UC San Diego Health System, from a large United States health system we demonstrate potential improvements on the order of 20% (in terms of minutes overbooked) compared to current scheduling techniques. Moreover, we demonstrate that surgery durations are indeed heteroscedastic. We show that models that estimate case-specific uncertainty better fit the data (log likelihood). Additionally, we show that the heteroscedastic predictions can more optimally trade off between over and under-booking minutes, especially when idle minutes and scheduling collisions confer disparate costs.

研究の動機と目的

• 手術時間の症例別不確実性推定を用いて、手術室スケジューリングを改善すること。
• 標準的なニューラル回帰における均一分散仮定の制限を解決すること。
• 手術時間データにおける異分散性（手術時間の長さに応じてばらつきが増加する性質）をモデル化すること。
• 過剰予約と不足予約のコストが非対称な状況下で、不確実性を考慮した予測がより良いスケジューリング意思決定をもたらすかを評価すること。
• 予測不確実性の実用的有用性が、現実の臨床スケジューリング状況で実際にどのように発揮されるかを示すこと。

提案手法

• 共有エンコーダを備えた深層ニューラルネットワークを用いて、手術時間の平均と標準偏差を同時に予測し、異分散回帰を実現する。
• 正規分布、ラプラス分布、ガンマ分布を用いて予測分布をモデル化し、特に時間データに適した正のサポートと長い右裾を持つことから、ガンマ分布を採用する。
• 非負の標準偏差予測を保証するため、ソフトプラス活性化関数を適用する。
• 訓練目的として、予測分布の負の対数尤度を最適化することで、平均と分散の同時推定を可能にする。
• 過剰予約と不足予約のトレードオフを調整するため、パーセンタイルに基づくスケジューリング補正を実装し、異分散モデルでは症例ごとにパーセンタイルを個別に選択する。
• 特徴量の重要度を評価するためのアブレーション解析を実施し、手術コード、医師、時間帯、患者属性を含む。

実験結果

リサーチクエスチョン

• RQ1 ニューラル異分散回帰は、標準的な均一分散モデルと比較して、手術時間予測の精度と信頼性を向上させることができるか？
• RQ2 手術時間データは本当に異分散的であり、手術時間が長いほどばらつきが増加するか？
• RQ3 過剰予約と不足予約のコストが異なる状況下で、症例別不確実性推定がより良いスケジューリング意思決定をもたらすか？
• RQ4 正規分布、ラプラス分布、ガンマ分布といった異なる分布仮定は、手術時間と不確実性のモデル化においてどのように性能を発揮するか？
• RQ5 臨床的特徴のうち、手術時間と不確実性を最もよく予測するのはどれか？

主な発見

• 深層学習と組み合わせたガンマ分布は、正規分布やラプラス分布よりも、手術時間データに最も適したフィットを示し、対数尤度で優れている。
• 異分散モデルは、対数尤度において均一分散ベースラインを著しく上回り、手術時間のばらつきが本質的に異分散的であることを確認した。
• 最良のガンマMLPは、最適化目的が異なるにもかかわらず、標準的な最小二乗法に基づく正規分布MLPよりも低い平均二乗誤差を達成した。
• 異分散モデルは、現在のスケジューリング実務と比較して、過剰予約分を約20％削減した。特に、過剰予約と不足予約のコストが非対称な状況下で顕著であった。
• 異分散モデルのパーセンタイル予測に基づくスケジューリングは、予測値の定数倍スケーリングよりも優れており、特にコスト感受性の高い意思決定ルール下で顕著であった。
• アブレーション解析では、手術コードが最も重要な予測特徴量であり、次に医師、施設、時間帯が続いた。合併症は全体的な影響が限定的であった。