[논문 리뷰] Dynamic Mortality Risk Predictions in Pediatric Critical Care Using Recurrent Neural Networks

Melissa Aczon, David Ledbetter외 5명|arXiv (Cornell University)|2017. 01. 23.

Machine Learning in Healthcare참고 문헌 19인용 수 71

한 줄 요약

본 연구는 12,020명의 소아 ICU 접촉 사례에서 3계층 LSTM 기반 RNN을 학습시켜 ICU 내 사망률을 지속적으로 예측하며, AUROC에서 PIM 2 및 PRISM 3 같은 정적 모델보다 우수하다(대략 93.4%).

ABSTRACT

Viewing the trajectory of a patient as a dynamical system, a recurrent neural network was developed to learn the course of patient encounters in the Pediatric Intensive Care Unit (PICU) of a major tertiary care center. Data extracted from Electronic Medical Records (EMR) of about 12000 patients who were admitted to the PICU over a period of more than 10 years were leveraged. The RNN model ingests a sequence of measurements which include physiologic observations, laboratory results, administered drugs and interventions, and generates temporally dynamic predictions for in-ICU mortality at user-specified times. The RNN's ICU mortality predictions offer significant improvements over those from two clinically-used scores and static machine learning algorithms.

연구 동기 및 목표

• 정적 점수 체계를 넘어 소아 중환자 관리에서의 사망 예측을 개선하려는 동기를 제시한다.
• 새로운 데이터가 도착함에 따라 사망 위험을 지속적으로 업데이트하는 동적이고 시간 인식적인 모델을 개발한다.
• 장단기 기억 네트워크를 활용하여 이종 시간적 임상 데이터를 통합한다.
• 동적 RNN 예측이 기존 임상 점수 및 정적 ML 기준선을 능가하는지 평가한다.

제안 방법

• 모델: X_V(생체징후), X_L(실험실 수치), X_I(중재), X_D(약물) 입력과 Δt를 사용하여 미래 horizon에 대한 3계층 LSTM RNN.
• 데이터: 미국 로스앤젤레스 어린이병원 소아 집중치료실(PICU)에서 익명화된 EMR(2002년 12월–2016년 3월); 12,020명 환자, 16,559건; 75% 학습, 25% 보유 테스트; 같은 환자의 접촉은 한 세트에 포함되도록 보장.
• 전처리: 변수를 약 300개 특징으로 집계, Z-정규화, 보간(약물/중재는 0으로, 생리학/실험실 변수는 순방향 채움)
• 출력: t_n + Δt_n에서의 생존 확률; 입력에 Δt_n를 포함해 예측 시간 제어/유연성.
• 아키텍처: 생존 예측을 위해 구현된 Keras 기반의 3계층 LSTM 네트워크.
• 평가: 보류 데이터에서 LR, MLP, PIM 2, PRISM 3과의 ROC/AUC 비교.

실험 결과

연구 질문

• RQ1 동적 RNN이 소아 환자의 ICU 내 사망률 예측에서 정적 임상 점수(PIM 2, PRISM 3) 및 정적 ML 기준선을 능가하는가?
• RQ2 관찰 시간 및 데이터 가용성이 증가함에 따라 예측 정확도가 어떻게 변하는가?
• RQ3 재발을 통한 시간적 추세 모델링이 예측 성능에 미치는 영향은 무엇인가?
• RQ4 약물, 활력징후, 검사, 중재 등 다양한 EMR 특징을 활용해 구별력을 향상시킬 수 있는가?

주요 결과

• RNN은 PIM 2 및 PRISM 3 점수와 함께 보류 사례 2849건에서 AUROC 93.4%를 달성했다.
• 정적 ML 기준선: MLP 88.8%, LR 86.1%; PIM 2 86.3%, PRISM 3 88.0%(p-values < .01 또는 < .003).
• 12시간의 데이터에서 RNN 예측은 12시간을 사용하는 PRISM 3를 능가한다; 관찰 시간이 증가함에 따라 RNN 정확도는 계속 향상된다.
• RNN은 새로운 데이터가 도착할 때 동적으로 지속적으로 업데이트되는 사망 위험을 제공한다; 정적 점수는 지속적인 시간적 이력을 통합하지 않는다.
• 약 300개 변수의 포함 및 시간 추세의 동적 통합이 성능 향상을 주도하며, 추가 모니터링 데이터 및 체액 균형 등의 확장 가능성이 있다.