[論文レビュー] RAIM: Recurrent Attentive and Intensive Model of Multimodal Patient Monitoring Data

Yanbo Xu, Siddharth Biswal+3 more|arXiv (Cornell University)|Jul 23, 2018

Machine Learning in Healthcare参考文献 35被引用数 25

ひとこと要約

RAIM は、血液検査結果や介入をガイドとして用いるアテンション機構を用いて、ECG波形、生命体徴、および離散的臨床イベントなどの高密度なマルチモodal ICU 監視データを統合的に分析する再帰的で注意を向けた、集中的なディーブラーニングモデルである。MIMIC-III Waveform Database Matched Subset において、生理的崩壊予測の AUC-ROC が 90.18%、入院期間予測の正確度が 86.82% という最先端の性能を達成した。

ABSTRACT

With the improvement of medical data capturing, vast amount of continuous patient monitoring data, e.g., electrocardiogram (ECG), real-time vital signs and medications, become available for clinical decision support at intensive care units (ICUs). However, it becomes increasingly challenging to model such data, due to high density of the monitoring data, heterogeneous data types and the requirement for interpretable models. Integration of these high-density monitoring data with the discrete clinical events (including diagnosis, medications, labs) is challenging but potentially rewarding since richness and granularity in such multimodal data increase the possibilities for accurate detection of complex problems and predicting outcomes (e.g., length of stay and mortality). We propose Recurrent Attentive and Intensive Model (RAIM) for jointly analyzing continuous monitoring data and discrete clinical events. RAIM introduces an efficient attention mechanism for continuous monitoring data (e.g., ECG), which is guided by discrete clinical events (e.g, medication usage). We apply RAIM in predicting physiological decompensation and length of stay in those critically ill patients at ICU. With evaluations on MIMIC- III Waveform Database Matched Subset, we obtain an AUC-ROC score of 90.18% for predicting decompensation and an accuracy of 86.82% for forecasting length of stay with our final model, which outperforms our six baseline models.

研究の動機と目的

• 連続的な ECG や生命体徴に加え、血液検査や薬剤投与などの離散的臨床イベントを含む、高密度でマルチモーダルなICU監視データをモデル化する課題に対処すること。
• 密集した信号が疎な信号を支配しないように、異種のデータモダリティを統合する解釈可能で効率的なディーブラーニングモデルを構築すること。
• 連続的生理的信号と不規則な臨床イベントの時間的ダイナミクスを統合的にモデル化することで、ICU における臨床的予測を向上させること。
• 臨床的イベントを用いて生理的信号に対するアテンション機構をガイドすることで、モデルの解釈可能性を高めること。

提案手法

• RAIM は二重ストリームアーキテクチャを採用している。一方のブランチは、1D-CNN と LSTM を用いて連続的マルチモーダル信号（例：ECG、生命体徴）を処理する。もう一方のブランチは、離散的臨床イベント（血液検査、介入）を処理する。
• 連続的信号にマルチチャネルアテンション機構を導入し、離散的臨床イベントによって動的にアテンション重みをガイドすることで、関連する生理的セグメントに注目する。
• 血液検査結果と介入から構築されたガイドマトリクスが、アテンションを制御し、モデルの注目が臨床的に関連する出来事と一致するようにする。
• 時間的融合トランスフォーマーに類似したメカニズムを用いて、注目された生理的特徴と臨床イベント埋め込みを統合し、エンドツーエンドの予測を行う。
• 最終出力層は、崩壊リスクの時間変動スコアと、入院期間の多項分布予測を出力する。
• アテンション機構により、特定の臨床的アウトカムに対して予測に寄与する生理的チャネルと時間窓を強調でき、解釈可能性が向上する。

実験結果

リサーチクエスチョン

• RQ1 離散的臨床イベントによってガイドされるアテンション機構は、ICU 監視における高密度な連続的生理的信号のモデリングを改善できるか？
• RQ2 連続的 ECG／生命体徴と離散的臨床イベントを統合するマルチモーダルデータ処理は、生理的崩壊と入院期間の予測性能をどのように向上させるか？
• RQ3 血液検査結果と介入によってガイドされるアテンションは、どの程度モデルの解釈可能性と表現学習を向上させるか？
• RQ4 提示された RAIM モデルは、ガイド付きアテンションやマルチモーダル統合を用いないベースラインモデルを上回る性能を示すか？

主な発見

• RAIM は、生理的崩壊予測において AUC-ROC 90.18% を達成し、6 つのベースラインモデルを顕著に上回った。
• 最終的な RAIM-3 モデルは、9 つの事前定義されたクラス（1–7 日、7–14 日、14 日以上）における入院期間予測で 86.82% の正確度を達成した。
• 血液検査結果と介入の両方のガイドを組み込んだモデル（RAIM-3）が、両方の予測タスクで最高の性能を示し、包括的なアテンションガイドの価値を裏付けた。
• 定性的分析の結果、介入や死亡といった臨床的に有意な出来事の直前に、複数の生理的チャネルに高いアテンション重みが一貫して生成されていた。これは、モデルの臨床的妥当性を裏付けた。
• t-SNE 視覚化により、RAIM-3 からの最終 LSTM 特徴表現が、ベースラインモデルと比較して入院期間クラス間でより明確に分離されていることが確認され、表現学習の向上が示された。
• アテンション機構により、患者の悪化の前に対応する臨床的意味を持つ生理的セグメント（例：ECG 波形、生命体徴）が的確に強調され、モデルの解釈可能性が向上した。