[論文レビュー] Semantically Enhanced Dynamic Bayesian Network for Detecting Sepsis Mortality Risk in ICU Patients with Infection

Tony Wang, Tom Velez+4 more|arXiv (Cornell University)|Jun 26, 2018

Sepsis Diagnosis and Treatment参考文献 53被引用数 6

ひとこと要約

本研究では、特化した敗血症オントロジーと構造化された生理的データ、および非構造化された臨床ノートを統合した意味的強化型動的ベイジアンネットワーク（DBN）を提案し、ICU入院患者の敗血症死亡リスクを予測する。DBNは、SOFA（0.843）、qSOFA（0.66）、MEWS（0.729）、SAPS-II（0.766）といった従来のスコアリングツールを著しく上回り、AUROCが0.91を達成した。これは、優れた予測精度と再分類性能を示している。

ABSTRACT

Although timely sepsis diagnosis and prompt interventions in Intensive Care Unit (ICU) patients are associated with reduced mortality, early clinical recognition is frequently impeded by non-specific signs of infection and failure to detect signs of sepsis-induced organ dysfunction in a constellation of dynamically changing physiological data. The goal of this work is to identify patient at risk of life-threatening sepsis utilizing a data-centered and machine learning-driven approach. We derive a mortality risk predictive dynamic Bayesian network (DBN) guided by a customized sepsis knowledgebase and compare the predictive accuracy of the derived DBN with the Sepsis-related Organ Failure Assessment (SOFA) score, the Quick SOFA (qSOFA) score, the Simplified Acute Physiological Score (SAPS-II) and the Modified Early Warning Score (MEWS) tools. A customized sepsis ontology was used to derive the DBN node structure and semantically characterize temporal features derived from both structured physiological data and unstructured clinical notes. We assessed the performance in predicting mortality risk of the DBN predictive model and compared performance to other models using Receiver Operating Characteristic (ROC) curves, area under curve (AUROC), calibration curves, and risk distributions. The derived dataset consists of 24,506 ICU stays from 19,623 patients with evidence of suspected infection, with 2,829 patients deceased at discharge. The DBN AUROC was found to be 0.91, which outperformed the SOFA (0.843), qSOFA (0.66), MEWS (0.73), and SAPS-II (0.77) scoring tools. Continuous Net Reclassification Index and Integrated Discrimination Improvement analysis supported the superiority DBN. Compared with conventional rule-based risk scoring tools, the sepsis knowledgebase-driven DBN algorithm offers improved performance for predicting mortality of infected patients in ICUs.

研究の動機と目的

• 感染を伴うICU患者における敗血症死亡リスクの早期検出を改善するデータ駆動型機械学習ベースのモデルを開発すること。
• 敗血症に特化したオントロジーを用いて、構造化された生理的データと非構造化された臨床ノートを統合し、時間的特徴の表現を向上させること。
• SOFA、qSOFA、MEWS、SAPS-IIといった従来の臨床スコアリングシステムを上回り、感染を伴うICU患者の入院内死亡リスクを予測すること。
• 大規模で現実世界のICUデータセット（24,506件の入院）を用いてモデルを検証し、厳密な統計的評価を通じてその優位性を示すこと。
• 臨床医の知見を反映した意味的モデリングと新規データに対する反復的再トレーニングを活用し、モデルの継続的改善を可能にすること。

提案手法

• DBNにおける時間的特徴のノード構造と意味的特徴の定義を支援するため、カスタマイズされた敗血症オントロジーを構築した。
• 自然言語処理と時間的特徴工学を用いて、臨床ナラティブノートと生理的時系列データから意味的に豊かになった特徴を抽出した。
• 動的ベイジアンネットワーク（DBN）を構築し、時間経過に伴う臓器不全と生理的変化の確率的推移をモデル化した。
• 感染が疑われる19,623名の患者の24,506件のICU入院データを用い、退院時の死亡を結果としてDBNをトレーニングした。
• 受信者操作特性曲線（ROC）、AUROC、キャリブレーション曲線、リスク分布解析、連続Net再分類インデックス（NRI）および統合識別改善度（IDI）を用いて性能を検証した。
• 臨床医が段階的に意味的モデルを改善できるCmap駆動フレームワークを採用し、モデルの解釈可能性と性能向上を支援した。

実験結果

リサーチクエスチョン

• RQ1 従来のスコアリングツールと比較して、意味的強化型動的ベイジアンネットワークは、ICU患者における敗血症関連死亡リスクの予測を改善できるか？
• RQ2 非構造化された臨床ノートと構造化された生理的データを統合することで、敗血症死亡リスクモデリングにおける予測性能はどの程度向上するか？
• RQ3 DBNモデルの性能は、AUROC、キャリブレーション、再分類の観点からSOFA、qSOFA、MEWS、SAPS-IIと比較してどうなるか？
• RQ4 知識ベース駆動型DBNは、ルールベースのスコアリングシステムと比較して、時間的ダイナミクスと臓器不全の進行をより効果的に捉えることができるか？
• RQ5 臨床医が構築したオントロジーとCmapベースのモデル最適化により、モデルの頑健性と一般化能力が向上するか？

主な発見

• 提案されたDBNは、感染を伴うICU患者の入院内死亡リスク予測において、AUROCが0.91を達成し、SOFA（0.843）、qSOFA（0.66）、MEWS（0.729）、SAPS-II（0.766）を著しく上回った。
• 連続Net再分類インデックス（NRI）および統合識別改善度（IDI）の分析により、DBNがSOFA、qSOFA、MEWS、SAPS-IIを上回る優れた性能を示した。
• モデルは良好なキャリブレーションを示し、リスク層にわたるリスク予測が均等に分布しており、信頼性の高い識別性能を示した。
• 非構造化された臨床ノートと構造化データの統合により、特徴表現が向上し、従来のスコアリングシステムを上回るモデルの正確性が向上した。
• DBNの性能は、1名の患者に複数回の入院がある場合でも安定しており、患者内相関の影響が限定的であることが示された。
• Cmap駆動フレームワークにより、臨床医の知見を反映した段階的で反復的な意味的モデルの最適化が可能となり、継続的なモデル改善と新規証拠への適応が可能になった。