[논문 리뷰] Building Computational Models to Predict One-Year Mortality in ICU Patients with Acute Myocardial Infarction and Post Myocardial Infarction Syndrome

Laura A. Barrett, Seyedeh Neelufar Payrovnaziri외 2명|arXiv (Cornell University)|2018. 12. 12.

Machine Learning in Healthcare참고 문헌 36인용 수 26

한 줄 요약

이 연구는 MIMIC-III 데이터베이스를 사용하여 급성 심근경색 또는 심근경색 후 증후군을 가진 중환자실(ICU) 환자에서 1년 생존율을 예측하기 위해 기계학습 모델을 개발하고 평가한다. 병합된 데이터셋에서 로지스틱 모델 트리(LMT)와 단순 로지스틱 알고리즘은 가장 높은 정확도(85.12%)와 AUC(0.901)를 기록하여 딥 패러럴 네트워크와 전통적인 위험 점수를 능가했다.

ABSTRACT

Heart disease remains the leading cause of death in the United States. Compared with risk assessment guidelines that require manual calculation of scores, machine learning-based prediction for disease outcomes such as mortality can be utilized to save time and improve prediction accuracy. This study built and evaluated various machine learning models to predict one-year mortality in patients diagnosed with acute myocardial infarction or post myocardial infarction syndrome in the MIMIC-III database. The results of the best performing shallow prediction models were compared to a deep feedforward neural network (Deep FNN) with back propagation. We included a cohort of 5436 admissions. Six datasets were developed and compared. The models applying Logistic Model Trees (LMT) and Simple Logistic algorithms to the combined dataset resulted in the highest prediction accuracy at 85.12% and the highest AUC at .901. In addition, other factors were observed to have an impact on outcomes as well.

연구 동기 및 목표

• 급성 심근경색(AMI) 또는 심근경색 후 증후군을 가진 ICU 환자에서 1년 생존율을 예측하기 위한 수동 위험 점수 계산 방식을 향상시키기 위해.
• 이 고위험 환자 집단에서 생존율 예측 결과를 평가하기 위해 다양한 기계학습 모델의 성능을 평가하기 위해.
• 정확도와 AUC 측면에서 얕은 모델(LMT, 로지스틱 회귀 등)과 딥 러닝 모델(예: 딥 패러럴 신경망) 간의 성능를 비교하기 위해.
• 이 인구집단에서 1년 생존율에 영향을 미치는 주요 임상 및 인구통계학적 예측 변수를 특정하기 위해.

제안 방법

• 연구는 AMI 또는 심근경양후 증후군을 가진 환자 5,436명의 ICU 입원 기록을 MIMIC-III 데이터베이스에서 추출하여 수행되었다.
• 생체 징후, 검사 결과, 공존 질환, 인구통계학적 변수 등 다양한 특징 조합을 포함한 6개의 별도된 데이터셋을 구성하였다.
• 로지스틱 모델 트리(LMT), 단순 로지스틱, 랜덤 포레스트, 서포트 벡터 머신, 그리고 딥 패러럴 신경망(Deep FNN)을 포함한 다수의 기계학습 모델을 훈련하고 평가하였다.
• 정확도, 수신기 작동 특성 곡선(AUC) 및 10중 교차검증을 통해 모델 성능을 평가하여 결과의 견고성을 확보하였다.
• AUC와 정확도를 기반으로 최고 성능을 보인 모델을 선별하였으며, 결과 최적화를 위해 초모수 조정을 적용하였다.
• 딥 패러럴 신경망은 역전파 알고리즘을 사용하여 훈련되었으며, 최상위 성능을 보인 얕은 모델들과 직접 비교되었다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 급성 심근경색 또는 심근경양후 증후군을 가진 ICU 환자에서 1년 생존율을 예측하는 데 있어 전통적인 위험 평가 도구를 능가할 수 있는가?
• RQ2 어느 기계학습 알고리즘이 이 특정 환자 집단에서 가장 높은 예측 정확도와 AUC를 제공하는가?
• RQ3 이 임상 예측 과제에서 로지스틱 모델 트리와 같은 얕은 모델은 딥 패러럴 신경망과 비교해 성능가능성이 높은가?
• RQ4 임상 및 인구통계학적 특징 중에서 이 집단의 생존율 예측에 가장 크게 기여하는 요소는 무엇인가?
• RQ5 예를 들어, 검사 결과, 생체 징후, 공존 질환 등의 다수의 데이터 소스를 통합하면 단일 특징 집합보다 모델 성능이 향상되는가?

주요 결과

• 로지스틱 모델 트리(LMT) 모델은 병합된 데이터셋에서 가장 높은 예측 정확도 85.12%를 기록하였다.
• LMT 모델은 또한 수신기 작동 특성 곡선(AUC)이 0.901로 가장 높아 강력한 분류 성능를 보였다.
• 병합된 데이터셋에서 단순 로지스틱 알고리즘이 AUC 0.901을 기록하여 LMT의 성능을 정확히 따라갔다.
• LMT와 단순 로지스틱 모델은 모두 딥 패러럴 신경망(Deep FNN)보다 정확도와 AUC 측면에서 뛰어난 성능를 보였다.
• 다양한 임상 및 인구통계학적 특징을 통합한 병합된 데이터셋은 모든 평가된 알고리즘에서 최고의 모델 성능를 제공하였다.
• 연구는 특징 선택과 데이터 통합이 중환자 집중 치료에서 생존율 예측의 효과성에 크게 영향을 미친다는 것을 확인하였다.