[논문 리뷰] A Hidden Absorbing Semi-Markov Model for Informatively Censored Temporal Data: Learning and Inference

Ahmed M. Alaa, Mihaela van der Schaar|arXiv (Cornell University)|2016. 12. 18.

Bayesian Methods and Mixture Models참고 문헌 94인용 수 17

한 줄 요약

이 논문은 전자 건강 기록(EHR)에서 비정규적으로 샘플링된, 정보가 포함된 케이싱된, 비 stationary한 생리학적 시계열을 모델링하기 위한 확률적 프레임워크인 은닉 흡수 반마르코프 모델(HASMM)을 제안한다. 학습 중에 종단 임상 결과를 활용하기 위해 역시계 forward-filtering backward-sampling 몬테카를로 EM 알고리즘을 적용하며, 이는 연속 시간 기반의 이산 시간 임bedded 마르코프 체인을 통해 실시간 추론을 가능하게 하여 중환자실(ICU) 입소를 8–9시간 일찍 예측하고 Rothman 지수 대비 AUC 성능을 22% 향상시킨다.

ABSTRACT

Modeling continuous-time physiological processes that manifest a patient's evolving clinical states is a key step in approaching many problems in healthcare. In this paper, we develop the Hidden Absorbing Semi-Markov Model (HASMM): a versatile probabilistic model that is capable of capturing the modern electronic health record (EHR) data. Unlike exist- ing models, an HASMM accommodates irregularly sampled, temporally correlated, and informatively censored physiological data, and can describe non-stationary clinical state transitions. Learning an HASMM from the EHR data is achieved via a novel forward- filtering backward-sampling Monte-Carlo EM algorithm that exploits the knowledge of the end-point clinical outcomes (informative censoring) in the EHR data, and implements the E-step by sequentially sampling the patients' clinical states in the reverse-time direction while conditioning on the future states. Real-time inferences are drawn via a forward- filtering algorithm that operates on a virtually constructed discrete-time embedded Markov chain that mirrors the patient's continuous-time state trajectory. We demonstrate the di- agnostic and prognostic utility of the HASMM in a critical care prognosis setting using a real-world dataset for patients admitted to the Ronald Reagan UCLA Medical Center.

연구 동기 및 목표

• 전자 건강 기록(EHR)에서 비정규적으로 샘플링된, 시간적으로 상관관계가 있는, 정보가 포함된 케이싱된 생리학적 시계열을 모델링하는 데 도전하는 것.
• 지속적인 시간 기반 생리학적 과정에서 비정상적인 임상 상태 전이를 포착할 수 있는 유연한 확률적 모델을 개발하는 것.
• EHR 데이터의 종단 임상 결과를 학습하여 실시간 예후를 정확하게 수행하는 것.
• 중환자실 입소 이전에 환자 상태 악화를 예측함으로써 중환자 치료 분야의 조기 경고 시스템을 향상시키는 것.

제안 방법

• 지속적으로 변화하는 잠재적인 임상 상태와 비정규적으로 샘플링된 노이즈가 포함된 생리측정치를 통해 관찰되는 잠재 상태를 표현하기 위해 은닉 흡수 반마르코프 모델(HASMM)을 제안한다.
• 정보가 포함된 케이싱 상황에서 매개변수 학습을 향상시키기 위해 미래의 임상 결과를 조건으로 삼는 새로운 forward-filtering backward-sampling 몽테카를로 EM 알고리즘을 개발한다.
• 숨겨진 상태 경로를 효율적으로 추정하기 위해 E-step에서 역시계 샘플링 전략을 사용한다.
• 실시간 추론을 가능하게 하기 위해 연속 시간 상태 경로에 대한 이산 시간 임베딩 마르코프 체인을 구성한다.
• ICU 입소 또는 사망과 같은 불가역적인 임상 상태를 모델링하기 위해 상태 흡수를 통합한다.
• 연속 시간에서의 전이 확률 및 체류 시간 분포를 모델링하기 위해 적분 방정식과 행렬 연산을 활용한다.

실험 결과

연구 질문

• RQ1 확률적 모델이 EHR에서 비정규적으로 샘플링된, 정보가 포함된 케이싱된, 비정상적인 생리학적 시계열을 효과적으로 다룰 수 있는가?
• RQ2 학습 과정에서 종단 임상 결과를 어떻게 활용하여 숨겨진 상태 추정 및 예후 정확도를 향상시킬 수 있는가?
• RQ3 연속 시간 기반의 잠재 상태 모델이 기존의 위험 점수보다 중환자실 상태 악화 예측에서 얼마나 뛰어난 성능을 보일 수 있는가?
• RQ4 이산화된 근사치를 사용하여 복잡한 연속 시간 생리학적 경로에 대해 실시간 추론을 효율적으로 수행할 수 있는가?
• RQ5 Rothman 지수와 같은 최신 위험 점수 시스템에 비해 HASMM의 예측 성능 향상은 어느 정도인가?

주요 결과

• HASMM는 ICU 입소 예측에서 Rothman 지수 대비 22%의 AUC 성능 향상을 보이며 뛰어난 예후 성능을 입증했다.
• 실제 UCLA Medical Center의 EHR 데이터를 바탕으로 HASMM를 사용해 ICU 입소 8–9시간 전에 임상 상태 악화를 성공적으로 예측했다.
• 역시계 backward-sampling 알고리즘이 미래 결과를 조건으로 삼아 정보가 포함된 케이싱을 효과적으로 활용하여 매개변수 추정을 향상시켰다.
• 임베딩 마르코프 체인 상의 forward-filtering 알고리즘이 낮은 계산 오버헤드로 실시간 추론을 가능하게 했다.
• 모델은 비정상적인 전이 역학과 시간에 따라 변화하는 체류 시간 분포를 포착하여 실제 임상 진행 과정을 반영했다.
• 중환자 치료 데이터셋에 대한 실증적 검증을 통해 모델의 강건성과 조기 경고 시스템에서의 임상적 유용성을 확인했다.