[논문 리뷰] Deep Learning Approach for Predicting 30 Day Readmissions after Coronary Artery Bypass Graft Surgery

Ramesh B. Manyam, Yanqing Zhang외 4명|arXiv (Cornell University)|2018. 12. 03.

Cardiac, Anesthesia and Surgical Outcomes참고 문헌 17인용 수 3

한 줄 요약

이 연구는 고립성 관상동맥 우회술(CABG) 수술 후 30일 이내 전원인 모든 원인으로 인한 재입원을 예측하기 위해 Cox 비례 위험(CPH) 회귀와 딥러닝 생존 모델인 DeepSurv을 조합한 앙상블 기계학습 모델을 제안한다. 수술 전 퇰러티의 위험 요인 데이터를 활용하여 25,000번의 학습 반복 후 검증 데이터에서 c-통계치가 0.712를 기록하였으며, 시간에 따라 변하는 임상 변수를 활용함으로써 기존 방법보다 향상된 예측 정확도를 입증하였다.

ABSTRACT

Hospital Readmissions within 30 days after discharge following Coronary Artery Bypass Graft (CABG) Surgery are substantial contributors to healthcare costs. Many predictive models were developed to identify risk factors for readmissions. However, majority of the existing models use statistical analysis techniques with data available at discharge. We propose an ensembled model to predict CABG readmissions using pre-discharge perioperative data and machine learning survival analysis techniques. Firstly, we applied fifty one potential readmission risk variables to Cox Proportional Hazard (CPH) survival regression univariate analysis. Fourteen of them turned out to be significant (with p value < 0.05), contributing to readmissions. Subsequently, we applied these 14 predictors to multivariate CPH model and Deep Learning Neural Network (NN) representation of the CPH model, DeepSurv. We validated this new ensembled model with 453 isolated adult CABG cases. Nine of the fourteen perioperative risk variables were identified as the most significant with Hazard Ratios (HR) of greater than 1.0. The concordance index metrics for CPH, DeepSurv, and ensembled models were then evaluated with training and validation datasets. Our ensembled model yielded promising results in terms of c-statistics, as we raised the the number of iterations and data set sizes. 30 day all-cause readmissions among isolated CABG patients can be predicted more effectively with perioperative pre-discharge data, using machine learning survival analysis techniques. Prediction accuracy levels could be improved further with deep learning algorithms.

연구 동기 및 목표

• 고립성 CABG 수술 후 30일 이내 전원인 모든 원인으로 인한 재입원에 영향을 미치는 주요 수술 전 퇴원 시기의 위험 요인을 규명하는 것.
• 시간에 따라 변하는 임상 데이터를 통합함으로써 기존 통계 모델을 초월한 재입원 위험 예측 정확도를 향상시키는 것.
• 다중 변수 CPH와 딥러닝 생존 분석(DeepSurv)을 통합한 앙상블 모델을 개발하여 예측 성능을 향상시키는 것.
• 스마트 앱 기반 실시간 적용을 통해 조기 위험 분류를 가능하게 하고 임상 의사결정 지원을 위한 것.

제안 방법

• 51개 잠재적 위험 요인에 대해 단변량 CPH 분석을 수행하여 유의미한 예측 변수 14개(p < 0.05)를 식별.
• 2014~2017년 기간 동안의 STS 성인 심장수술 데이터베이스에서 비식별화된 데이터셋을 사용하여 다변량 CPH 및 DeepSurv 모델을 적용.
• Lifelines 및 DeepSurv 파이썬 패키지를 활용하여 적응형 특성 학습을 포함한 딥러닝 생존 모델을 구현하고 학습.
• 2,293건의 고립성 CABG 사례 중 20%를 검증 세트로 분할하고, 결측치 처리를 위해 사례 제거 및 조건부 평균 대체법을 적용.
• 학습 및 검증 세트에서 연속성 지수(c-통계치)를 사용하여 모델 성능을 평가하며, 증가하는 학습 반복 횟수에 따라 분석.
• CPH 및 DeepSurv의 예측 결과를 조합하여 일반화 능력과 예측 정확도를 향상시킨 앙상블 모델을 구축.

실험 결과

연구 질문

• RQ1 고립성 CABG 수술 후 30일 이내 전원인 모든 원인으로 인한 재입원을 가장 잘 예측하는 수술 전 퇴원 시기의 위험 요인은 무엇인가?
• RQ2 CPH 회귀와 DeepSurv을 조합한 앙상블 모델이 개별 모델보다 후속 CABG 재입원 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ3 혈액 검사 값, 생명 징후, 약물 복용 등의 시간에 따라 변하는 임상 데이터를 포함할 경우, 고정된 퇴원 시점 데이터에 비해 재입원 예측 정확도는 얼마나 향상되는가?
• RQ4 학습 반복 횟수와 데이터 양을 증가시킬 경우 앙상블 모델의 c-통계치는 얼마나 향상되는가?
• RQ5 모델이 실시간으로 재입원 위험(RoR) 점수를 생성함으로써 임상 의사결정 지원에 기여할 수 있는가?

주요 결과

• 단변량 CPH 분석을 통해 14개의 퇴원 시기 위험 요인이 30일 이내 재입원에 유의미하게 관련됨(p < 0.05)으로 확인되었으며, 성별, 수술 전 크레아티닌 수치, 입원 기간 등 포함.
• 다변량 CPH 모델에서 14개의 유의미한 예측 변수 중 9개가 위험비(HR) > 1.0을 기록하여 재입원 위험이 증가함을 시사.
• 25,000회 학습 에포크 이후 검증 세트에서 앙상블 모델의 c-통계치가 0.712를 기록하였으며, 개별 CPH 모델(0.631) 및 DeepSurv 모델(0.571)을 모두 초월.
• 앙상블 모델의 c-통계치는 학습 반복 횟수가 증가함에 따라 증가하여 일반화 능력과 예측 안정성이 향상됨을 확인.
• 더 큰 데이터 양과 더 높은 반복 횟수에서 성능 향상이 관찰되어 확장성과 향후 정확도 향상 잠재력이 있음.
• 생존 곡선 및 95% 신뢰구간 분석을 통해 성별 및 이전 심근경색력과 같은 핵심 예측 변수의 임상적 의의가 확인됨.