[논문 리뷰] An Improved Multi-Output Gaussian Process RNN with Real-Time Validation for Early Sepsis Detection

Joseph Futoma, Sanjay Hariharan외 6명|arXiv (Cornell University)|2017. 08. 19.

Sepsis Diagnosis and Treatment참고 문헌 25인용 수 75

한 줄 요약

이 연구는 스트리밍 실험실 결과, 생체 신호, 약물을 활용하여 발병 전에 패혈증을 예측하는 향상된 MGP-RNN 모델과 새로운 실시간 검증 체계를 개발합니다. 이 접근법은 임상 기준선 및 초기 모델을 능가하며 실시간 대시보드 배치를 고려하도록 설계되었습니다.

ABSTRACT

Sepsis is a poorly understood and potentially life-threatening complication that can occur as a result of infection. Early detection and treatment improves patient outcomes, and as such it poses an important challenge in medicine. In this work, we develop a flexible classifier that leverages streaming lab results, vitals, and medications to predict sepsis before it occurs. We model patient clinical time series with multi-output Gaussian processes, maintaining uncertainty about the physiological state of a patient while also imputing missing values. The mean function takes into account the effects of medications administered on the trajectories of the physiological variables. Latent function values from the Gaussian process are then fed into a deep recurrent neural network to classify patient encounters as septic or not, and the overall model is trained end-to-end using back-propagation. We train and validate our model on a large dataset of 18 months of heterogeneous inpatient stays from the Duke University Health System, and develop a new "real-time" validation scheme for simulating the performance of our model as it will actually be used. Our proposed method substantially outperforms clinical baselines, and improves on a previous related model for detecting sepsis. Our model's predictions will be displayed in a real-time analytics dashboard to be used by a sepsis rapid response team to help detect and improve treatment of sepsis.

연구 동기 및 목표

• EHR에서 얻은 풍부하고 불규칙한 임상 시계열 데이터를 사용한 조기 패혈증 탐지의 도전 과제에 동기를 부여하고 해결한다.
• 약물 효과를 반영하면서 불규칙한 샘플링과 결측 데이터를 처리할 수 있는 유연한 예측 모델을 개발한다.
• 다변량 생리학적 시계열을 다출력 Gaussian process로 보간하고 노이즈를 제거하며, 잠재 상태를 딥 RNN 분류기에 입력한다.
• 실시간 검증 및 사례-대조 매칭을 포함한 현실적인 검증 체계를 통해 학습을 강화하고 성능을 평가한다.
• 해석 가능한 위험도 점수로 패혈증 신속 대응 팀을 지원하기 위한 실시간 분석 대시보드를 배포한다.

제안 방법

• 다출력 Gaussian process (MGP)로 환자 임상 시계열을 모델링하여 불확실성을 유지하면서 관측치를 공유 그리드에 노이즈 제거 및 보간한다.
• MGP 평균이 과거 약물 투여에 의존하도록 허용하여 생리학적 궤적에 대한 치료 효과를 포착한다.
• 출력 간 가변적 시간 상관관계를 모델링하기 위해 separable 커널의 가정으로부터 벗어나 separable 커널의 합(Linear Model of Coregionalization)을 사용한다.
• 잠재 MGP 함수 값을 딥 순환 신경망(LSTM) 분류기에 입력하여 패혈증을 예측하고, 엔드 투 엔드 학습을 위해 역전파를 사용한다.
• 패혈증 이벤트 주변의 여러 시점에서 RNN을 감독하여 표본 타깃 복제를 도입하고 라벨 노이즈를 완화한다.
• 실험실/생체 신호의 정보성 결측 패턴을 활용하기 위해 결측 지시자를 RNN 입력에 첨부한다.

실험 결과

연구 질문

• RQ1 유연한 MGP-RNN 프레임워크가 임상 기준선 및 선행 모델에 비해 조기 패혈증 탐지를 향상시킬 수 있는가?
• RQ2 약물 효과를 포함시키고 더 표현력 있는 커널을 도입하면 패혈증 예측을 위한 다변량 시계열 모델링이 개선되는가?
• RQ3 실시간 검증이 조기 경고 성능 평가에서 전통적인 후향적 검증과 어떻게 비교되는가?
• RQ4 타깃 복제 및 결측 지시자에 초점을 맞추는 것이 예측 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 MGP-RNN 및 그 확장들은 패혈증 탐지에서 임상 기준선 및 선행 모델을 크게 능가한다.
• 확장들 including 약물 효과, 비분리 커_KERNEL, 타깃 복제, 및 결측 지시자 등을 포함한 확장들이 일관되게 성능을 향상시킨다.
• 실시간 검증은 민감도 범위에서 NEWS와 비교하여 거짓 경보를 줄이는 것을 보인다.
• 실용적인 조기 예측 구간에서 이 방법은 기준선에 비해 우수한 정밀도-재현율 및 ROC 특성을 달성한다.
• 이 방법은 광범위한 불규칙 시계열 및 결측 데이터를 가진 대규모 18개월 Duke Health System 데이터 세트에서 입증되었다.