[논문 리뷰] Blood lactate concentration prediction in critical care patients: handling missing values

Behrooz Mamandipoor, Mahshid Majd외 2명|arXiv (Cornell University)|2019. 10. 03.

Machine Learning in Healthcare참고 문헌 36인용 수 4

한 줄 요약

이 연구는 임상 시간 시리즈 데이터를 사용하여 중환자 실내 환자의 혈중 젖산 농도를 예측하기 위한 머신러닝 프레임워크를 제안하며, 누락된 값을 보완하는 전략을 중심으로 다룹니다. 누락된 값 표시 기반의 LSTM 모델이 평균 절대 오차(MAE) 0.665를 기록하여 평균 기반 보정 방식을 능가하며, 젖산 예측 분야에 임상적으로 의미 있는 기준을 설정합니다.

ABSTRACT

Blood lactate concentration is a strong indicator of mortality risk in critically ill patients. While frequent lactate measurements are necessary to assess patient's health state, the measurement is an invasive procedure that can increase risk of hospital-acquired infections. For this reason we formally define the problem of lactate prediction as a clinically relevant benchmark problem for machine learning community so as to assist clinical decision making in blood lactate testing. Accordingly, we demonstrate the relevant challenges of the problem and its data in addition to the adopted solutions. Also, we evaluate the performance of different prediction algorithms on a large dataset of ICU patients from the multi-centre eICU database. More specifically, we focus on investigating the impact of missing value imputation methods in lactate prediction for each algorithm. The experimental analysis shows promising prediction results that encourages further investigation of this problem.

연구 동기 및 목표

• 중환자 치료 분야에서 임상적으로 의미 있는 기준이 되는 혈중 젖산 농도 예측을 머신러닝 기준으로 정의하기.
• 다양한 누락된 값 보정 기법이 여러 알고리즘에 미치는 영향을 평가하기.
• 고시계 시간 해상도를 가진 대규모 다기관 ICU 데이터셋에서 전통적 머신러닝 모델과 딥러닝 모델을 비교하기.
• 향후 EHR 데이터 기반 젖산 유도 임상 의사결정 지원 연구를 위한 재현 가능한 기초 기준 설정하기.
• 임상 적용 준비를 위한 모델의 해석 가능성 및 외부 검증 촉진하기.

제안 방법

• 혈중 젖산 농도 예측을 회귀 문제로 정의: 과거 $ \alpha $ 시간 동안의 임상 측정치를 사용해 시간 $ t + \beta $ 에서의 젖산 농도를 예측.
• 2시간 간격의 시간 빈도를 사용한 다기관 eICU 데이터베이스(13,464명의 환자, 1,220만 건의 기록)를 활용해 시간 시리즈 모델링.
• 다양한 보정 방법 적용: 평균 보정, 전방 보존 보정, 지표 기반 보정(누락 여부를 특성으로 사용).
• 13,464명의 ICU 환자(14,477명의 입원 기록)를 대상으로 평균 절대 오차(MAE)를 사용해 성능 평가.
• 보정된 데이터와 원본 데이터를 기반으로 전통적 모델(예: 선형 회귀)과 딥러닝 모델(예: LSTM)을 훈련 및 비교.
• 누락된 값의 지표를 특성으로 포함시켜 정보가 풍부한 결측치의 신호를 포착함으로써 모델 성능 향상.

실험 결과

연구 질문

• RQ1 누락된 값 보정 방식이 ICU 환자에서 혈중 젖산 농도 예측 성능에 어떤 영향을 미치는가?
• RQ2 평균 기반, 전방 보존, 또는 누락 여부 지표 중 어떤 보정 전략이 젖산 농도 예측 성능을 가장 높이는가?
• RQ3 ICU 시간 시리즈 데이터에서 누락된 값을 다룰 때, LSTM과 같은 딥러닝 모델이 전통적 모델보다 성능이 뛰어나게 되는가?
• RQ4 제안된 젖산 예측 프레임워크는 향후 임상 머신러닝 연구를 위한 실현 가능하고 일반화 가능한 기준이 될 수 있는가?
• RQ5 누락 여부 지표를 특성으로 포함할 경우, 모델의 해석 가능성과 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• LSTM 기반 모델이 13,464명의 ICU 환자에서 혈중 젖산 농도 예측 시 가장 낮은 평균 절대 오차(MAE) 0.665를 기록함.
• 지표 기반 보정 — 즉, 누락 여부를 이진 특성으로 표현하는 방식 — 이 평균 기반 및 전방 보존 보정 방식을 모두 능가하는 최고의 예측 성능을 보였음.
• 누락 여부 지표의 포함이 모델 성능을 크게 향상시켜, 누락된 값이 임상적으로 유의미한 신호를 담고 있음을 시사함.
• eICU 데이터베이스를 기반으로 한 젖산 예측을 위한 재현 가능한 기준을 수립하였으며, 복제를 위한 공개된 코드를 제공함.
• EHR 데이터 기반 머신러닝을 통한 젖산 예측는 침습적 검사 감소와 실시간 임상 의사결정 지원에 강력한 잠재력을 보임.
• 향후 연구에서는 젖산 농도를 중증도 등급으로 분류하고, GRU-D와 같은 고급 모델을 활용해 정보가 풍부한 누락 데이터를 다루는 것이 필요함.