[논문 리뷰] A Factored Generalized Additive Model for Clinical Decision Support in the Operating Room

Zhicheng Cui, Bradley A. Fritz외 3명|arXiv (Cornell University)|2019. 07. 29.

Hemodynamic Monitoring and Therapy참고 문헌 18인용 수 14

한 줄 요약

이 논문은 동적으로 변화하는 생체 징후와 정적 환자 특성 간의 상호작용을 모델링함으로써 수술실에서 임상 의사결정 지원을 향상시키는 Factored Generalized Additive Model (F-GAM)을 제안한다. F-GAM은 표준 로지스틱 회귀 및 기타 머신러닝 모델보다 예측 성능을 향상시키면서도 개인화된 특성 영향 곡선을 통해 해석 가능성도 유지하여 급성 신부전 및 급성 호흡부전 예측에 있어 뛰어난 AUPRC 및 AUROC를 보여준다.

ABSTRACT

Logistic regression (LR) is widely used in clinical prediction because it is simple to deploy and easy to interpret. Nevertheless, being a linear model, LR has limited expressive capability and often has unsatisfactory performance. Generalized additive models (GAMs) extend the linear model with transformations of input features, though feature interaction is not allowed for all GAM variants. In this paper, we propose a factored generalized additive model (F-GAM) to preserve the model interpretability for targeted features while allowing a rich model for interaction with features fixed within the individual. We evaluate F-GAM on prediction of two targets, postoperative acute kidney injury and acute respiratory failure, from a single-center database. We find superior model performance of F-GAM in terms of AUPRC and AUROC compared to several other GAM implementations, random forests, support vector machine, and a deep neural network. We find that the model interpretability is good with results with high face validity.

연구 동기 및 목표

• 로지스틱 회귀와 같은 선형 모델이 임상 데이터의 복잡한 비선형 관계를 포착하지 못하는 데서 기인하는 한계를 해결하기 위해.
• 기존 일반화된 덧셈 모델(GAMs)에서 특성 간 상호작용 부족 및 시간에 따라 변화하는 특성 대비 정적 특성의 처리가 열악한 점을 해결하기 위해.
• 임상의가 실시간 수술 중 의사결정 지원에서 사용할 수 있도록 책임감 있고 실행 가능한 해석 가능성을 유지하는 모델을 개발하기 위해.
• 급성 신부전 및 급성 호흡부전과 같은 수술 후 합병증의 예측 정확도를 향상시키기 위해.
• 특성 기여도의 실시간 시각화를 통해 빠른 임상 의사결정을 지원하기 위해 위험 예측에 기여하는 요소를 실시간으로 이해할 수 있도록 하기 위해.

제안 방법

• F-GAM은 입력 특성을 정적(예: 연령, 성별) 및 시간에 따라 변화하는(예: 심박수, 혈압) 특성 컴포넌트로 분해한다.
• 시간에 따라 변화하는 특성의 영향은 정적 특성에 따라 달라지는 가중치 $ w_t( extbf{x}^S) $에 의해 스케일링된 학습된, 맥락에 의존하는 함수로 모델링된다.
• 모델은 정적 및 시간에 따라 변화하는 특성의 비선형 변환을 학습하기 위해 딥 뉴럴 네트워크를 사용하여 높은 유연성을 확보한다.
• 특성 기여도는 $ w_t( extbf{x}^S) f_t(x_t^{TV}) $로 계산되며, 실시간 해석을 위한 개인화된 위험 기여 곡선을 가능하게 한다.
• 최소한의 하이퍼파라미터로 종합적으로 훈련되어 복잡도가 감소하고 일반화 성능이 향상된다.
• 시간에 따라 변화하는 특성이 없을 경우 표준 DNN으로, 정적 특성이 없을 경우 DELR로 간소화된다.

실험 결과

연구 질문

• RQ1 요소 분해 모델링 접근법이 수술 후 합병증 예측 성능을 향상시키면서도 모델의 해석 가능성을 유지할 수 있는가?
• RQ2 정적 환자 특성과 시간에 따라 변화하는 생체 징후가 급성 신부전 및 급성 호흡부전 예측에 영향을 미치는 방식은 어떠한가?
• RQ3 개인화된 특성 영향 곡선이 실시간으로 실행 가능한 임상 의사결정을 어떻게 안내할 수 있는가?
• RQ4 F-GAM이 이러한 임상 결과에 대해 AUPRC 및 AUROC 측면에서 표준 GAM, 로지스틱 회귀, 기타 머신러닝 모델보다 뛰어난 성능을 보이는가?
• RQ5 모델의 예측 결과 및 특성 기여 곡선이 임상 직관과 알려진 생리학적 관계와 일치하는가?

주요 결과

• F-GAM은 급성 신부전 및 급성 호흡부전 예측 과제에서 로지스틱 회귀, 다른 GAM 변종, 랜덤 포레스트, 서포트 벡터 머신, 딥 뉴럴 네트워크 등 모든 기준 모델보다 뛰어난 성능을 기록했다.
• 모든 기준 모델보다 높은 AUPRC 및 AUROC를 보이며 위험 예측의 분류 능력과 정밀도 향상을 나타냈다.
• 특성 기여 곡선은 임상적으로 타당한 연관성을 보였으며, 예를 들어 위험도가 높은 환자에서 최고 심박수가 높아질수록 위험이 증가한다는 결과는 안락제 전문의의 직관과 일치했다.
• 모델는 저용량 페니레프린 투여가 단독으로 급성 신부전 위험 감소와 관련이 있음을 보여주었지만, 이는 인과관계보다는 기저의 hemodynamic 불안정성과 관련이 있을 수 있다.
• 환자의 맥락(예: 질병 중증도)에 따라 특성 영향을 스케일링할 수 있는 능력 덕분에 개인화된 위험 평가가 가능했으며, 기울기가 더 급격한 경우 시간에 따라 변화하는 특성의 변화에 더 민감한 것으로 나타났다.
• 특성 기여도의 시각화 도구는 고도의 응급 상황에서 수술 중 임상의가 핵심 위험 요인을 신속히 식별하고 의사결정을 빠르게 내리는 데 도움을 주었다.