[논문 리뷰] Continual Prediction from EHR Data for Inpatient Acute Kidney Injury

Rohit J. Kate, Noah Pearce외 2명|arXiv (Cornell University)|2019. 02. 26.

Acute Kidney Injury Research참고 문헌 26인용 수 3

한 줄 요약

이 논문은 전자 건강 기록(EHR) 데이터를 사용하여 입원 환자의 급성 신부전(AKI)에 대한 연속 예측 프레임워크를 제안한다. 새로운 환자 데이터가 제공될 때마다 실시간으로 예측을 업데이트하며, 매번 AKI와 관련된 변수의 최신 값을 활용함으로써 AUC 0.724를 달성한다. 이는 입원 중 특정 시점에 고정된 예측을 수행하는 전통적인 단회 예측 모델보다 유의하게 뛰어나다.

ABSTRACT

Acute kidney injury (AKI) commonly occurs in hospitalized patients and can lead to serious medical complications. In order to optimally predict AKI before it develops at any time during a hospital stay, we present a novel framework in which AKI is continually predicted automatically from EHR data over the entire hospital stay instead of at only one particular time. The continual model predicts AKI every time a patients AKI-relevant variable changes in the EHR. Thus the model is not only independent of a particular time for making predictions, but it can also leverage the latest values of all the AKI-relevant patient variables for making predictions. Using data of 44,691 hospital stays of duration longer than 24 hours we evaluated our continual prediction model and compared it with the traditional one-time prediction models. Excluding hospitals stays in which AKI occurred within 24 hours from admission, the one-time prediction model predicting at 24 hours from admission obtained area under ROC curve (AUC) of 0.653 while the continual prediction model obtained AUC of 0.724. The one-time prediction model that predicts at 24 hours obviously cannot predict AKI incidences that occur within 24 hours of admission which when included in the evaluation reduced its AUC to 0.57. In comparison, the continual prediction model had AUC of 0.709. The continual prediction model also did better than all other one-time prediction models predicting at other fixed times. By being able to take into account the latest values of AKI-relevant patient variables and by not being limited to a particular time of prediction, the continual prediction model out-performed one-time prediction models in predicting AKI.

연구 동기 및 목표

• 입원 중 특정 시점에 고정된 예측을 수행하는 단회 예측 모델의 한계를 해결하기 위해.
• 전체 입원 기간 동안 지속적이고 실시간으로 AKI를 예측함으로써 조기 발견을 향상시키기 위해.
• 모든 환자 데이터 업데이트 시 최신 임상 데이터를 활용하여 동적 위험 평가를 수행하기 위해.
• 다양한 시간 창에서의 성능을 평가하기 위해 연속 예측 모델과 전통적인 단회 예측 모델 간의 성능을 비교하기 위해.

제안 방법

• 프레임워크는 EHR에 새로운 AKI 관련 변수가 기록될 때마다 AKI 위험 예측을 지속적으로 업데이트한다.
• 44,691명의 입원 환자 기록(24시간 이상 지속)을 기반으로 훈련된 기계학습 모델을 사용한다.
• 생체 징후, 검사 결과 및 AKI와 관련된 기타 임상 변수의 최신 값을 동적으로 통합한다.
• 예측이 특정 시간(예: 입원 후 24시간)에 고정되지 않아 AKI 발병 초기 단계를 조기에 탐지할 수 있다.
• 모든 입원 기간 동안의 성능을 평가함으로써 고정된 시간 기반 모델의 편향을 피한다.
• 모델 성능은 수신기 작동 특성 곡선 아래 면적(AUC)을 사용하여 평가하며, 연속 예측과 다양한 고정 시간점에서의 단회 예측을 비교한다.

실험 결과

연구 질문

• RQ1 EHR 데이터에서의 연속 예측은 단회 예측 모델에 비해 입원 환자의 급성 신부전(AKI) 조기 탐지에 어떻게 기여하는가?
• RQ2 AKI가 입원 후 첫 24시간 내에 발생할 경우, 지속적으로 업데이트되는 모델의 성능은 고정 시간 예측 모델과 어떻게 비교되는가?
• RQ3 모든 업데이트 시 최신 임상 데이터를 활용하는 것이 단일 시점에서 정적 예측보다 더 뛰어난 예측 성능을 제공하는가?
• RQ4 특히 조기 AKI 환자가 포함된 경우, 다양한 입원 시간 창에서 연속 모델의 성능은 어떻게 되는가?

주요 결과

• 연속 예측 모델은 전체 입원 기간 동안 AKI 예측을 평가할 때 AUC 0.724를 달성하여 단회 예측 모델을 뛰어넘었다.
• 입원 후 24시간에 단회 예측을 수행한 모델은 AUC 0.653을 기록했지만, 조기 AKI 환자(24시간 이내 발생)를 포함시킬 경우 AUC가 0.57로 떨어졌다.
• 연속 모델은 조기 AKI 환자(입원 후 첫 24시간 내 발생)를 포함시켜도 AUC 0.709를 유지하여 뛰어난 성능을 보였다.
• 모든 다른 시간점에서 예측을 고정한 단회 예측 모델보다 연속 모델이 성능이 뛰어났다.
• 모든 새로운 데이터 포인트를 기반으로 예측을 업데이트함으로써 이 프레임워크는 조기 발생 AKI를 효과적으로 포착했으며, 조기 발생 사례를 놓칠 위험을 줄였다.
• 결과적으로 실시간 EHR 업데이트를 활용한 연속 예측은 입원 환자 대상 AKI 예측 정확도를 크게 향상시킨다.