[논문 리뷰] Deep Survival Analysis

Rajesh Ranganath, Adler Perotte외 2명|arXiv (Cornell University)|2016. 08. 06.

Machine Learning in Healthcare참고 문헌 25인용 수 78

한 줄 요약

이 논문은 깊이 있는 베이지안 계층 모델인 딥 서바이벌 분석을 제안하며, 활력, 검사, 약물, 진단 등의 이질적인 전자건강기록(EHR) 데이터를 딥 지수분포족(DEF)을 사용해 공동으로 모델링하고, 시간이 아닌 사망 시간에 따라 환자를 정렬함으로써 기존의 임의의 시간 0 기준 정렬 방식을 피한다. 이 모델은 임상적 기준인 프램링햄 위험 점수를 능가하며, 313,000명의 환자로 구성된 관상동맥 심장병(CAD) 위험 예측 과제에서 73.11%의 일치도를 기록하여 위험 분류 능력과 결측 데이터에 대한 강건성을 입증한다.

ABSTRACT

The electronic health record (EHR) provides an unprecedented opportunity to build actionable tools to support physicians at the point of care. In this paper, we investigate survival analysis in the context of EHR data. We introduce deep survival analysis, a hierarchical generative approach to survival analysis. It departs from previous approaches in two primary ways: (1) all observations, including covariates, are modeled jointly conditioned on a rich latent structure; and (2) the observations are aligned by their failure time, rather than by an arbitrary time zero as in traditional survival analysis. Further, it (3) scalably handles heterogeneous (continuous and discrete) data types that occur in the EHR. We validate deep survival analysis model by stratifying patients according to risk of developing coronary heart disease (CHD). Specifically, we study a dataset of 313,000 patients corresponding to 5.5 million months of observations. When compared to the clinically validated Framingham CHD risk score, deep survival analysis is significantly superior in stratifying patients according to their risk.

연구 동기 및 목표

• 기존의 생존 분석이 결측치, 이질성, 비정렬된 EHR 데이터를 다루는 데에 한계가 있음을 해결하기 위해.
• 심층 잠재 구조를 사용해 공변량과 생존 시간을 공동으로 모델링하는 확장 가능한 생성 모델을 개발하기 위해.
• 실제 세계의 EHR 데이터를 활용해 관상동맥 심장병(CAD)에 대한 위험 분류를 향상시키고 임상적으로 검증된 기준을 초월하기 위해.
• 불완전하고 불규칙하게 샘플링된 EHR 관측치가 존재하는 상황에서도 정확한 시계열 예측을 가능하게 하기 위해.

제안 방법

• 공변량과 실패 시간 간의 비선형적 의존성을 포착하기 위해 깊이 있는 지수분포족(DEF)을 깊이 있는 잠재변수 모델로 사용한다.
• 모든 환자를 실패 시간(또는 케이서링 시간)에 따라 정렬함으로써, 기존 생존 분석에서 사용하는 임의의 시간 0 정렬 방식을 피한다.
• 베이지안 프레임워크 내에서 공변량, 케이서링 상태, 실패 시간을 공동으로 모델링하여 결측 데이터를 자연스럽게 처리한다.
• 대규모 EHR 데이터에서의 효율적 훈련을 위해 확장 가능한 변분 추론을 적용하여 엔드 투 엔드 학습을 가능하게 한다.
• DEF 프레임워크 내에서 공유된 잠재 표현을 통해 이질적인 데이터 유형(환자의 생체정보, 검사 결과, 약물, 진단)을 통합한다.
• 시간적 예측 정확도와 위험 분류 성능 평가를 위해 예측 가능도와 일치도를 평가 지표로 사용한다.

실험 결과

연구 질문

• RQ1 기존 생존 분석보다 깊이 있는 생성 모델이 이질적인 EHR 데이터와 생존 결과를 더 효과적으로 공동으로 모델링할 수 있는가?
• RQ2 시간 0이 아닌 실패 시간에 따라 환자를 정렬함으로써 EHR 기반 생존 모델링에서 위험 예측 정확도가 향상되는가?
• RQ3 딥 서바이벌 분석이 관상동맥 심장병 위험에 따라 환자를 분류하는 데 있어 임상적으로 검증된 프램링햄 위험 점수를 능가할 수 있는가?
• RQ4 다양한 EHR 데이터 유형(예: 진단 코드, 검사 결과, 약물)의 포함이 예측 성능에 어떤 기여를 하는가?
• RQ5 이 모델은 실제 세계의 EHR에서의 결측 데이터와 비정규적인 관측 패턴을 어느 정도 잘 처리하는가?

주요 결과

• 딥 서바이벌 분석은 검증용 테스트 세트(25,000명의 환자)에서 73.11%의 일치도를 기록했으며, 기준 모델인 프램링햄 위험 점수(65.57%)를 뛰어넘었다.
• K=50의 잠재 차원을 가진 모델이 가장 우수한 성능을 보였으며, 이는 모델 복잡성과 예측 정확도 사이의 최적의 균형을 의미한다.
• 개별 데이터 유형 중 진단 코드만으로도 예측 가능도가 가장 높았으며(-0.855385), 이는 관상동맥 심장병 위험 예측에 강력한 예측력을 지닌다는 것을 시사한다.
• 베이지안 잠재 구조 덕분에 모델은 결측 데이터에 대해 강건함을 입증했으며, 불완전한 관측치를 자연스럽게 처리할 수 있다.
• 인공적인 데이터 보정이나 정렬 없이도 희소하고 이질적인 EHR 데이터로 훈련된 경우에도 딥 서바이벌 분석은 뛰어난 위험 분류 성능을 보였다.
• 내부 검증 결과, 잠재 차원 수가 증가함에 따라 모델의 예측 가능도가 향상되었으며, K=50에서 최고 수준에 도달했다.