[論文レビュー] Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units

Fernando Andreotti, Frank S. Heldt+9 more|arXiv (Cornell University)|Jul 16, 2020

Machine Learning in Healthcare被引用数 7

ひとこと要約

本研究では、複数の時間枠にわたり、縦断的電子歴史記録（EHR）から虚血性脳卒中および心筋梗塞の発症を予測するため、注意メカニズムを統合したマルチタスクゲーテッドリカレントユニット（MT-GRU）を提案する。モデルはQRISKおよびベースライン機械学習モデルを上回り、12か月の時間枠で脳卒中に対してAUC 0.85、心筋梗塞に対してAUC 0.89を達成した。マルチタスク学習により、短期予測において顕著な向上が得られた。

ABSTRACT

In this work, we propose a multi-task recurrent neural network with attention mechanism for predicting cardiovascular events from electronic health records (EHRs) at different time horizons. The proposed approach is compared to a standard clinical risk predictor (QRISK) and machine learning alternatives using 5-year data from a NHS Foundation Trust. The proposed model outperforms standard clinical risk scores in predicting stroke (AUC=0.85) and myocardial infarction (AUC=0.89), considering the largest time horizon. Benefit of using an \\gls{mt} setting becomes visible for very short time horizons, which results in an AUC increase between 2-6%. Further, we explored the importance of individual features and attention weights in predicting cardiovascular events. Our results indicate that the recurrent neural network approach benefits from the hospital longitudinal information and demonstrates how machine learning techniques can be applied to secondary care.

研究の動機と目的

• 標準的な臨床的リスクスコアを上回る、縦断的EHRデータを用いた心血管疾患（CVD）発症の予測を改善すること。
• 複数の時間枠（1か月から12か月以上）にわたるCVDリスクをモデル化する際のマルチタスク学習のパフォーマンスを評価すること。
• 従来のリスク因子を超えて、診断、検査結果、生命徴、薬剤、手術などの多様なEHRモダリティが予測性能に寄与するかを評価すること。
• 特徴量の重要度と注意重みを用いてモデルの意思決定を解釈し、臨床的に関連性のある歴史的観察を同定すること。

提案手法

• マルチタスクゲーテッドリカレントユニット（MT-GRU）を用いて、複数の時間枠で脳卒中および心筋梗塞（MI）発症を同時に予測する。
• EHR履歴内の異なる観察日がもつ重要度を動的に重みづけるために、注意メカニズムをMT-GRUに統合する。
• EHRデータは、連続変数の中央値、中央絶対偏差、観察回数、異常フラグを組み合わせた日次特徴ベクトルとして表現される。
• I-10診断コード、OPCS-4手術コード、BNF薬剤コード、LIMS検査結果、生命徴、および人口統計学的データを含む、異種のEHRモダリティを処理する。
• 予測の解釈には、順列特徴量重要度と注意重みを用い、影響力のある特徴量および歴史的時間点を同定する。
• モデルのパフォーマンスは、複数の時間枠におけるAUCを用いて評価され、QRISK2およびベースライン機械学習モデルと比較される。

実験結果

リサーチクエスチョン

• RQ1 注意メカニズムを備えたマルチタスクRNNは、標準的な臨床的リスクスコアと比較して、さまざまな時間枠における脳卒中および心筋梗塞発症の予測精度を向上させることができるか？
• RQ2 特に検査結果と生命徴といったEHRモダリティは、従来のリスク因子を超えて予測性能にどのように寄与するか？
• RQ3 マルチタスク学習は、データが少ない短時間枠（特に1か月）の予測において、性能向上をもたらすか？
• RQ4 注意重みと特徴量重要度によって明らかにされた、モデルの予測意思決定において最も影響力のある歴史的EHR観察および特徴量は何か？

主な発見

• MT-Att-GRUモデルは、12か月の時間枠で心筋梗塞予測にAUC 0.89、脳卒中予測にAUC 0.85を達成し、QRISKおよびベースラインモデルを上回った。
• マルチタスク学習により、極めて短い時間枠（例：1か月）で2–6%のAUC向上が得られ、データが少ない状況下での利点が示された。
• 診断および手術コードが予測において極めて重要な要因であることが判明し、さらに検査結果と生命徴からも追加の価値が得られた。
• 注意重みは、最近のデータだけでなく、過去に重要な意義を持つとされる観察日にも注目していることを示した。
• 順列特徴量重要度により、年齢、収縮期血圧、BMI、コレステロール値が最も影響力のある特徴量であることが確認され、臨床基準と整合的であった。
• 注意メカニズムはAUCに顕著な向上をもたらさなかったが、時間的意思決定プロセスの解釈可能性を提供した。