[논문 리뷰] Dynamic Predictions of Postoperative Complications from Explainable, Uncertainty-Aware, and Multi-Task Deep Neural Networks

Benjamin Shickel, Tyler J. Loftus외 5명|arXiv (Cornell University)|2020. 04. 27.

Machine Learning in Healthcare인용 수 4

한 줄 요약

이 연구는 전수술, 수술 중 및 수술 후 데이터를 활용하여 56,242명의 수술 환자에서 후유증을 동적으로 예측하는 다중 작업, 불확실성 인식, 해석 가능한 딥러닝 모델을 제안한다. 이 모델은 랜덤 포레스트를 능가했으며, 통합 기울기(gradient)를 통해 수정 가능한 위험 요인을 특정하고, 몬테카를로 드롭아웃을 통해 예측 불확실성을 정량화하여 임상적 신뢰도와 의사결정 지원을 향상시켰다.

ABSTRACT

Accurate prediction of postoperative complications can inform shared decisions regarding prognosis, preoperative risk-reduction, and postoperative resource use. We hypothesized that multi-task deep learning models would outperform random forest models in predicting postoperative complications, and that integrating high-resolution intraoperative physiological time series would result in more granular and personalized health representations that would improve prognostication compared to preoperative predictions. In a longitudinal cohort study of 56,242 patients undergoing 67,481 inpatient surgical procedures at a university medical center, we compared deep learning models with random forests for predicting nine common postoperative complications using preoperative, intraoperative, and perioperative patient data. Our study indicated several significant results across experimental settings that suggest the utility of deep learning for capturing more precise representations of patient health for augmented surgical decision support. Multi-task learning improved efficiency by reducing computational resources without compromising predictive performance. Integrated gradients interpretability mechanisms identified potentially modifiable risk factors for each complication. Monte Carlo dropout methods provided a quantitative measure of prediction uncertainty that has the potential to enhance clinical trust. Multi-task learning, interpretability mechanisms, and uncertainty metrics demonstrated potential to facilitate effective clinical implementation.

연구 동기 및 목표

• 고해상도 수술 중 생리학적 시간 시리즈를 전수술 및 수술 후 데이터와 융합하여 후유증 예측을 향상시키기.
• 랜덤 포레스트와 같은 전통적 모델의 한계를 극복하기 위해 딥러닝을 활용해 보다 세분화되고 개인화된 환자 표현을 가능하게 하기.
• 불확실성 정량화와 모델 해석 가능성으로 임상적 신뢰를 제고하고 행동 가능한 위험 요인을 특정하기.
• 다중 작업 학습이 예측 성능을 향상시키면서도 계산 자원 비용을 줄이는지 평가하기.
• 해석 가능한 AI 도구를 통해 수술 치료의 동적 실시간 의사결정 지원을 가능하게 하기.

제안 방법

• 이질적인 환자 데이터를 사용하여 9종의 일반적인 수술 후 합병증을 동시에 예측하기 위해 다중 작업 딥 네URAL 네트워크를 활용.
• 환자의 동적 건강 상태를 반영하기 위해 고해상도 수술 중 생리학적 시간 시리즈(예: 심전도, 혈압)를 입력 특성으로 통합.
• 각 예측에 대한 확률적 신뢰구간을 제공하기 위해 몬테카를로 드롭아웃을 적용하여 불확실성 추정을 수행.
• 개별 생리학적 및 인구통계학적 변수에 대한 특성 중요도를 할당함으로써 예측 결과의 해석 가능성을 확보하기 위해 통합 기울기(gradient)를 사용.
• 대학 병원에서 실시된 67,481건의 입원 수술을 수행한 56,242명의 환자로 구성된 종단적 코hort에서 모델을 훈련.
• 표준 평가 지표(예: AUC-ROC)를 사용하여 모델 성능을 랜덤 포레스트 기준선과 비교.

실험 결과

연구 질문

• RQ1 다중 작업 딥러닝 모델은 전통적인 랜덤 포레스트 모델에 비해 수술 후 합병증 예측 정확도를 향상시킬 수 있는가?
• RQ2 수술 중 생리학적 시간 시리즈를 통합함으로써 후유증 위험 예측의 세분화 수준과 개인화 수준이 향상되는가?
• RQ3 몬테카를로 드롭아웃을 통한 불확실성 정량화가 임상적 예측에 대한 신뢰도를 얼마나 향상시킬 수 있는가?
• RQ4 가장 예측력이 높은 환자 특화 요인은 무엇이며, 이는 수정 가능한가?
• RQ5 통합 기울기와 같은 해석 가능성 기법이 행동 가능한 위험 요인을 특정함으로써 임상 의사결정 지원에 기여할 수 있는가?

주요 결과

• 다중 작업 딥러닝 모델은 모든 9종의 합병증에 대해 랜덤 포레스트 모델을 뛰어넘는 성능을 보였으며, AUC-ROC가 전반적으로 향상되었다.
• 수술 중 생리학적 시간 시리즈를 통합함으로써 전수술 데이터만을 사용한 모델에 비해 더 정확하고 개인화된 위험 예측이 가능했다.
• 몬테카를로 드롭아웃은 신뢰할 수 있는 불확실성 추정을 제공했으며, 경계선 또는 복잡한 경우에서 높은 불확실성이 관찰되어 임상적 위험 분류에 기여했다.
• 통합 기울기(gradient)를 통해 각 합병증에 대해 특정하고 수정 가능한 위험 요인(예: 순환계 불안정성, 장시간 마취)을 식별하여 임상적 해석 가능성을 향상시켰다.
• 다중 작업 학습은 예측 성능에 손상 없이 계산 자원 요구량을 줄여 모델의 효율성을 향상시켰다.
• 모델는 다양한 수술 유형과 환자 집단에 걸쳐 뛰어난 일반화 능력을 보였으며, 임상 적용 가능성에 기여했다.