[論文レビュー] Using Latent Class Analysis to Identify ARDS Sub-phenotypes for Enhanced Machine Learning Predictive Performance

Tony Wang, Tim Tschampel+2 more|arXiv (Cornell University)|Mar 28, 2019

Machine Learning in Healthcare参考文献 19被引用数 4

ひとこと要約

本研究では、MIMIC-III ICU データからのARDSサブフェノタイプを特定するために潜在的クラス分析（LCA）を用い、死亡予測のための機械学習性能を向上させた。各サブフェノタイプごとに別々のモデルを訓練することで、最高死亡率群ではAUCが0.986に達し、臨床的異質性が著しいARDS全人口を対象としたモデルと比べ顕著に優れた性能を示した。

ABSTRACT

In this work, we utilize Machine Learning for early recognition of patients at high risk of acute respiratory distress syndrome (ARDS), which is critical for successful prevention strategies for this devastating syndrome. The difficulty in early ARDS recognition stems from its complex and heterogenous nature. In this study, we integrate knowledge of the heterogeneity of ARDS patients into predictive model building. Using MIMIC-III data, we first apply latent class analysis (LCA) to identify homogeneous sub-groups in the ARDS population, and then build predictive models on the partitioned data. The results indicate that significantly improved performances of prediction can be obtained for two of the three identified sub-phenotypes of ARDS. Experiments suggests that identifying sub-phenotypes is beneficial for building predictive model for ARDS.

研究の動機と目的

• 臨床的異質性のためのARDS予測性能が低いという課題に対処すること。
• ARDS患者を生物学的に整合性のあるサブフェノタイプに分割することで、機械学習モデルの性能が向上するかを調査すること。
• 臨床変数（血液検査、生命徴、合併症など）に基づいて均一なサブグループを同定するため、潜在的クラス分析（LCA）を用いること。
• サブフェノタイプごとのモデルとARDS全コhortを対象としたモデルの予測性能を比較すること。
• サブフェノタイプ特有のモデルが、死亡予測における区別力（AUC）と適合度を向上させるかを評価すること。

提案手法

• PaO2/FiO2、PEEP、ラクチック酸、ビリルビン、クレアチニン、WBC、合併症を含む臨床変数に基づき、MIMIC-III ICU データに潜在的クラス分析（LCA）を適用して3つの明確に異なるARDSサブフェノタイプを同定する。
• Berlin基準を用いてARDS発症を定義し、発症後24時間以内の臨床特徴（例：平均ビカーボネート、プレッシャー・プレートウオール、最低収縮期血圧、最高心拍数）を抽出する。
• 各LCAで同定されたサブフェノタイプごとに勾配ブースティングマシン（GBM）およびランダムフォレストモデルを別々に訓練し、予測性能を評価する。
• ブートストラップ法を用いた信頼区間を伴い、AUC、感度、特異度、陽性予測値、陰性予測値、正解率を用いてモデルの性能を評価する。
• サブフェノタイプモデルのAUCを、ARDS全人口を対象とした基準モデルと比較する。
• p値を用いた統計的仮説検定により、サブフェノタイプモデルと全モデル間のAUC差の有意性を評価する。

実験結果

リサーチクエスチョン

• RQ1 潜在的クラス分析は、臨床的異質性が著しいARDS集団内において生物学的に意味のあるサブフェノタイプを効果的に同定できるか？
• RQ2 LCAで同定されたサブフェノタイプを対象とした機械学習モデルを訓練することで、ARDS死亡予測性能が全ARDSコhortを対象としたモデルと比較して向上するか？
• RQ3 どのARDSサブフェノタイプが最高の死亡率と最も重度の臨床所見を示し、信頼性を持って予測可能か？
• RQ4 統一モデルと比較して、サブフェノタイプ特有のモデルを用いることで、AUCおよびその他の性能指標にどの程度の相対的改善が見られるか？
• RQ5 バイリルビン、クレアチニン、PaO2/FiO2などの主要な臨床変数の分布は、同定されたサブフェノタイプ間でどのように異なるか？

主な発見

• 潜在的クラス分析により、臨床的特徴と死亡率に差がある3つの明確に異なるARDSサブフェノタイプが同定され、そのうちフェノタイプ2が最高の死亡率（48％）を示した。
• ビリルビンとクレアチニンが高く、血小板減少、低収縮期血圧を特徴とするサブフェノタイプ2では、GBMを用いたAUCが0.986に達し、全体モデル（AUC 0.904）を著しく上回った。
• サブフェノタイプ1ではGBMを用いてAUCが0.983を達成し、全体モデル（p < 0.0001）と比較して顕著に優れた性能を示した。
• サブフェノタイプ3ではわずかな改善にとどまり、AUCが0.909にとどまり、全体モデルと有意差は認められなかった（p = 0.6538）。
• サブフェノタイプ特有のモデルは、ほぼ完璧なNPV（1.000）と高い感度（フェノタイプ1では1.000）を達成しており、非イベントを強く除外できる能力を示した。
• 本研究では、LCAを用いてARDSの異質性を考慮することで、特に高死亡率サブグループにおいて機械学習予測性能が著しく向上することを示した。