[논문 리뷰] DeepAISE -- An End-to-End Development and Deployment of a Recurrent Neural Survival Model for Early Prediction of Sepsis

Supreeth P. Shashikumar, Christopher S. Josef외 2명|arXiv (Cornell University)|2019. 08. 10.

Sepsis Diagnosis and Treatment참고 문헌 41인용 수 8

한 줄 요약

DeepAISE는 시간적 임상 시계열을 사용하여 중환자실 환자에서 패혈증 발병을 예측하는 엔드 투 엔드 순환 신경망 생존 모델이다. 임상적으로 정의된 패혈증 발병 기준과 치료 정책을 통합하여 예측 정확도를 최적화한다. 낮은 위험 경고 비율(FAR=0.20 및 0.26)을 기록하며 내부 검증에서 AUC 0.90, 외부 검증에서 AUC 0.87의 성능을 달성했으며, 생존 결과와 특징 상호작용을 동시 모델링함으로써 해석 가능한 위험 표현을 제공한다.

ABSTRACT

Sepsis, a dysregulated immune system response to infection, is among the leading causes of morbidity, mortality, and cost overruns in the Intensive Care Unit (ICU). Early prediction of sepsis can improve situational awareness amongst clinicians and facilitate timely, protective interventions. While the application of predictive analytics in ICU patients has shown early promising results, much of the work has been encumbered by high false-alarm rates. Efforts to improve specificity have been limited by several factors, most notably the difficulty of labeling sepsis onset time and the low prevalence of septic-events in the ICU. Here, we present DeepAISE (Deep Artificial Intelligence Sepsis Expert), a recurrent neural survival model for the early prediction of sepsis. We show that by coupling a clinical criterion for defining sepsis onset time with a treatment policy (e.g., initiation of antibiotics within one hour of meeting the criterion), one may rank the relative utility of various criteria through offline policy evaluation. Given the optimal criterion, DeepAISE automatically learns predictive features related to higher-order interactions and temporal patterns among clinical risk factors that maximize the data likelihood of observed time to septic events. DeepAISE has been incorporated into a clinical workflow, which provides real-time hourly sepsis risk scores. A comparative study of four baseline models indicates that DeepAISE produces the most accurate predictions (AUC=0.90 and 0.87) and the lowest false alarm rates (FAR=0.20 and 0.26) in two separate cohorts (internal and external, respectively), while simultaneously producing interpretable representations of the clinical time series and risk factors.

연구 동기 및 목표

• 시간-이벤트 결과를 임상적 사건 정의와 함께 모델링하여 패혈증 예측에서 높은 위험 경고 비율 문제를 해결하기 위해.
• 실제 치료 정책(예: 1시간 이내 항생제 투여 시작)과 일치하는 패혈증 발병 레이블링을 통해 예측 특이도를 향상시키기 위해.
• 패혈증의 임상적 위험 요인 간의 복잡한 시간적 및 고차원 상호작용을 학습하는 엔드 투 엔드 시스템을 개발하기 위해.
• 임상 워크플로우에 실시간으로 위험 점수를 제공하고 해석 가능성을 확보하기 위해.

제안 방법

• 모델은 순환 신경망(RNN) 아키텍처를 사용하여 시간에 따라 변화하는 중환자실 생체 신호 및 검사값을 처리한다.
• 이벤트 발생까지의 시간 분포를 추정하기 위해 가능도 기반 목적 함수를 사용하는 생존 모델링 프레임워크를 적용한다.
• 임상 기준에 따라 패혈증 발병은 SIRS 및 장기 기능 저하 기준을 충족할 때 정의되며, 치료 시작 시간(1시간 이내)을 정책 기반 기준으로 사용한다.
• 예측 유효성을 기반으로 최적의 패혈증 발병 정의를 선정하기 위해 오프라인 정책 평가를 수행한다.
• 생존 가능도와 시간적 특징 상호작용을 동시 최적화하여 예측 표현을 학습한다.
• 해석 가능한 어텐션 메커니즘을 적용하여 임상적으로 관련성이 높은 시계열 패턴과 위험 요소를 강조한다.

실험 결과

연구 질문

• RQ1 기본 모델 대비 순환 신경망 생존 모델이 조기 패혈증 예측 정확도를 향상시키고 위험 경고 비율을 낮출 수 있는가?
• RQ2 실제 치료 정책과 일치하는 패혈증 발병 정의를 적용할 경우 모델 성능과 임상적 유용성에 어떤 영향을 미치는가?
• RQ3 딥 러닝 모델이 패혈증 예측을 위해 임상 변수 간의 고차원 시간적 상호작용을 어느 정도 잘 포착할 수 있는가?
• RQ4 엔드 투 엔드 시스템이 임상 워크플로우에 성공적으로 통합되어 실시간 위험 점수를 제공하고 해석 가능성을 확보할 수 있는가?
• RQ5 일致한 치료 정책 하에서 다양한 패혈증 발병 기준의 상대적 유효성은 어떠한가?

주요 결과

• DeepAISE는 내부 검증 코hort에서 AUC 0.90, 외부 검증 코hort에서 AUC 0.87을 기록하여 네 가지 기준 모델을 모두 초월한 분류 성능을 보였다.
• 모델은 내부에서 위험 경고 비율 0.20, 외부에서 0.26을 기록하여 기준 모델보다 유의미하게 낮은 특이도를 확보하였다.
• 오프라인 정책 평가를 통해 예측 유효성을 극대화하는 임상적으로 타당한 패혈증 발병 기준을 식별하였다.
• 모델은 임상 시계열에 대한 해석 가능한 표현을 생성하여 패혈증 위험에 기여하는 주요 시간 패턴과 위험 요소를 강조하였다.
• DeepAISE의 임상 워크플로우 통합을 통해 실시간 시간대별 위험 점수 제공가능성이 확보되어 조기에 임상 의사결정을 지원하였다.
• 생존 모델링 접근법은 ICU 데이터의 복잡한 비선형 시간적 의존성을 효과적으로 포착하여 예측 성능 향상을 이끌었다.