[論文レビュー] Sum of previous inpatient serum creatinine measurements predicts acute kidney injury in rehospitalized patients

Samuel J. Weisenthal, Haofu Liao+2 more|arXiv (Cornell University)|Dec 5, 2017

Acute Kidney Injury Research参考文献 8被引用数 4

ひとこと要約

本研究では、再入院患者における急性腎障害（AKI）を予測するために、過去の入院時血清クレアチニン（sCr）測定値の合計を用いた単純ながら効果的なモデルを提案する。マルチレイヤーパーセプトロン（MLP）モデルがsCrの合計を処理した結果、AUCが0.92、AUPRCが0.70という最高の性能を示し、この文脈では複雑な再帰的アーキテクチャを上回る、最小限で解釈可能な特徴量が有効であることを示している。

ABSTRACT

Acute Kidney Injury (AKI), the abrupt decline in kidney function due to temporary or permanent injury, is associated with increased mortality, morbidity, length of stay, and hospital cost. Sometimes, simple interventions such as medication review or hydration can prevent AKI. There is therefore interest in estimating risk of AKI at hospitalization. To gain insight into this task, we employ multilayer perceptron (MLP) and recurrent neural networks (RNNs) using serum creatinine (sCr) as a lone feature. We explore different feature input structures, including variable-length look-backs and a nested formulation for rehospitalized patients with previous sCr measurements. Experimental results show that the simplest model, MLP processing the sum of sCr, had best performance: AUROC 0.92 and AUPRC 0.70. Such a simple model could be easily integrated into an EHR. Preliminary results also suggest that inpatient data streams with missing outpatient measurements---common in the medical setting---might be best modeled with a tailored architecture.

研究の動機と目的

• 再入院患者における急性腎障害（AKI）を予測する実用的で解釈可能なモデルを、入院時血清クレアチニン（sCr）データのみを用いて開発すること。
• 過去の入院履歴における縦断的sCr履歴が、既知の過去のsCr測定値を持つ再入院患者におけるAKI予測を改善するかどうかを評価すること。
• さまざまな入力構造（可変長の履き返し期間や複数入院にわたるネストされた系列）を用いた、MLPとRNNsといった異なるディープラーニングアーキテクチャの比較を行うこと。
• シンプルで特徴量効率の良いモデルを電子的健康記録（EHR）に統合する可能性を評価すること。
• 外来測定値が欠損している入院データストリームを扱う場合、特化したアーキテクチャの必要性が生じるかどうかを検討すること。

提案手法

• モデルは血清クレアチニン（sCr）のみを入力とし、欠損値は頻度が低くランダムに発生するため前方補完処理が施された。
• 3つの入力構造が評価された：MARKOV（各入院ごとに記憶なし）、CONCAT（測定値を連結）、NEST（複数入院にわたるネストされた系列）。
• マルチレイヤーパーセプトロン（MLP）と再帰的ニューラルネットワーク（RNN）は、交差エントロピー損失とバックプロパゲーションスパンタイムを用いて学習され、ネストされた系列にはカスタム勾配計算が適用された。
• NEST構造では、再入院に特化したパラメータRを用いた階層的RNNが実装され、入院間の遷移をモデル化した。
• 勾配計算のため、測定時間ステップと入院シーケンスの両方についてネットワークをアンロールし、エンドツーエンドの学習を可能にした。
• モデルの性能は、100回の試行（隠れユニット数を変動）におけるバリデーションセットを用いて、AUROC、AUPRC、およびログ損失で評価された。

実験結果

リサーチクエスチョン

• RQ1 過去の入院時sCr測定値の合計は、再入院患者におけるAKI予測のための強固で単純な予測子として機能するか？
• RQ2 sCrのみを用いた最小限のモデルは、同じ入力を用いたより複雑なRNNアーキテクチャを上回る性能を示すか？
• RQ3 MARKOV、CONCAT、NESTといった異なる入力構造は、AKI予測性能にどのように影響を与えるか？
• RQ4 外来測定値が欠損している入院データストリームをモデル化する場合、特化したRNNアーキテクチャが必要となるか？
• RQ5 シンプルで解釈可能なモデルは、臨床現場でのリアルタイムのAKIリスク予測を支援するために、EHRシステムに効果的に統合可能か？

主な発見

• sCr測定値の合計を処理するマルチレイヤーパーセプトロン（MLP）モデルが、最高のAUROC 0.92とAUPRC 0.70を達成し、他のすべてのアーキテクチャーや入力構造を上回った。
• 最も単純なモデルであるsCrの合計が、複雑なRNNや他の入力形式よりも優れた性能を示し、この文脈では特徴量の単純さが一般化性能の向上に寄与することを示している。
• 階層的RNNを用いたNEST入力構造は有望ではあったが、合計ベースのMLPに及ばなかったことから、このタスクではネストされた系列のモデリングが必ずしも必要ではないことが示唆された。
• 予備的な結果から、外来測定値が欠損している入院データストリームは、特化したアーキテクチャの恩恵を受ける可能性があるが、今後の検証が必要である。
• 本研究では、sCrの合計に基づく最小限で解釈可能なモデルが、臨床意思決定支援のためのEHRシステムへの統合が実現可能で、極めて有効であることが確認された。
• 0.92という高いAUROCは、再入院患者のうちAKIリスクに晒されている者を識別する強力な判別力を持つことを示しており、早期予防的介入の実現が可能である。