[논문 리뷰] An attention model to analyse the risk of agitation and urinary tract infections in people with dementia

Honglin Li, Roonak Rezvani외 6명|arXiv (Cornell University)|2021. 01. 18.

Machine Learning in Healthcare참고 문헌 36인용 수 4

한 줄 요약

이 연구는 조현병 환자의 조기 감지에 사용되는 인공지능 모델을 제안하며, 주로 주거 내 센서 데이터를 분석하여 분노와 요로감염(UTI)을 조기에 탐지한다. 이 모델은 시간에 따라 변화하는 데이터를 처리하여 중요한 패턴을 식별하며, 91%의 재현율과 83%의 정밀도를 달성한다. 임상 의사결정 지원을 위해 유의미한 시간 단위와 특징을 강조함으로써 예측의 해석 가능성을 제공한다.

ABSTRACT

Behavioural symptoms and urinary tract infections (UTI) are among the most common problems faced by people with dementia. One of the key challenges in the management of these conditions is early detection and timely intervention in order to reduce distress and avoid unplanned hospital admissions. Using in-home sensing technologies and machine learning models for sensor data integration and analysis provides opportunities to detect and predict clinically significant events and changes in health status. We have developed an integrated platform to collect in-home sensor data and performed an observational study to apply machine learning models for agitation and UTI risk analysis. We collected a large dataset from 88 participants with a mean age of 82 and a standard deviation of 6.5 (47 females and 41 males) to evaluate a new deep learning model that utilises attention and rational mechanism. The proposed solution can process a large volume of data over a period of time and extract significant patterns in a time-series data (i.e. attention) and use the extracted features and patterns to train risk analysis models (i.e. rational). The proposed model can explain the predictions by indicating which time-steps and features are used in a long series of time-series data. The model provides a recall of 91\% and precision of 83\% in detecting the risk of agitation and UTIs. This model can be used for early detection of conditions such as UTIs and managing of neuropsychiatric symptoms such as agitation in association with initial treatment and early intervention approaches. In our study we have developed a set of clinical pathways for early interventions using the alerts generated by the proposed model and a clinical monitoring team has been set up to use the platform and respond to the alerts according to the created intervention plans.

연구 동기 및 목표

• 조현병 환자에서 분노와 요로감염(UTI)을 조기에 탐지하는 데 도전하는 것. 이는 입원 및 정서적 고통의 주요 원인이기 때문이다.
• 기존의 기계학습 모델이 주거 내 모니터링에서 수집된 노이즈가 많고 고차원적인 시간 시리즈 센서 데이터를 다루는 데 한계가 있다는 점을 해결하는 것.
• 정확도 향상뿐만 아니라 임상 의사결정을 위한 설명 가능한 해석까지 제공하는 모델을 개발하는 것.
• 모델을 실제 임상 경로에 통합하여 모니터링 팀이 개입을 신속히 수행할 수 있도록 하는 것.
• 자동화된 경고를 통해 센서 데이터에서 유도된 경고를 기반으로 조기에 맞춤형 임상 조치를 취함으로써 계획되지 않은 입원을 줄이는 것.

제안 방법

• 모델은 이중 아키텍처 프레임워크를 사용한다: 장기적인 센서 데이터에서 유의미한 시간 단위를 걸러내고 우선순위를 정하는 주의 메커니즘과, 예측의 이유를 특정 특징과 시간 간격을 식별함으로써 설명하는 이성화 블록.
• 주의 메커니즘은 시간에 따라 입력 특징을 동적으로 가중하여 활동 변화나 비정상적인 움직임 패턴과 같은 임상적으로 관련성이 있는 패턴에 집중한다.
• 이성화 블록은 예측에 기여한 특정 센서 입력과 시간 간격을 강조함으로써 설명 가능한 해석을 생성하여 임상적 신뢰도와 투명도를 향상시킨다.
• 모델은 클래스 불균형 문제를 해결하기 위해 포칼 손실(focal loss)을 사용하여, UTI나 심한 분노와 같은 드문 사건에 대해서도 성능을 향상시킨다.
• 다양한 주거 내 센서(예: 운동 감지기, 문 감지기, 환경 조건 센서 등)의 데이터를 통합하여 일상적인 행동과 건강 상태에 대한 종합적인 시각을 확보한다.
• 예측 결과는 임상 모니터링 경로에서 경고를 트리거하며, 훈련된 직원이 증상을 검증하고 약물 외 치료나 의료 조치를 시행한다.

실험 결과

연구 질문

• RQ1 주목적 기반 딥러닝 모델이 주거 내 센서 데이터를 활용해 조현병 환자에서 분노와 UTI의 조기 징후를 효과적으로 탐지할 수 있는가?
• RQ2 주의와 이성화 메커니즘의 통합이 기존 기계학습 모델에 비해 예측 성능과 설명 가능성에 어떤 영향을 미치는가?
• RQ3 모델의 설명이 실제 임상 환경에서의 의사결정 지원과 적시 개입에 얼마나 기여하는가?
• RQ4 모델이 불균형한 임상 데이터셋, 특히 드문 사건인 UTI에 대해 얼마나 효과적으로 대응하는가?
• RQ5 모델의 경고가 공동 생활 중인 조현병 환자 집단에서 입원을 줄이고 치료 결과를 향상시키는 데 어떤 영향을 미치는가?

주요 결과

• 제안된 모델은 주거 내 센서 데이터를 사용하여 분노와 UTI 위험을 탐지하는 데 재현율 91%와 정밀도 83%를 달성하였다.
• 주의 메커니즘이 노이즈가 많고 반복적인 데이터를 효과적으로 걸러내어 장기적인 시간 시리즈 데이터에서 임상적으로 관련성이 있는 시간 단위와 특징에 집중하였다.
• 이성화 블록은 특정 센서 입력과 시간 패턴을 식별함으로써 설명 가능한 해석을 제공하여 임상적 신뢰도를 향상시켰다.
• 포칼 손실의 사용은 불균형한 데이터셋에서의 모델 성능을 크게 향상시켜, UTI와 같은 드문 사건에 대해 유의미한 개선을 이끌었다.
• 모델는 경고가 조기에 개입을 유도할 수 있도록 실제 임상 경로에 성공적으로 통합되었으며, 이는 홈 방문 및 의사 소견 요청을 포함한 조치로 이어져 치료 지연 위험을 줄였다.
• 시스템은 증상 악화 이전에 조기에 맞춤형 개입을 가능하게 함으로써 계획되지 않은 입원을 줄일 잠재력을 보였다.