[논문 리뷰] Early Prediction of Acute Kidney Injury in Critical Care Setting Using Clinical Notes

Yikuan Li, Liang Yao외 4명|arXiv (Cornell University)|2018. 11. 07.

Machine Learning in Healthcare참고 문헌 10인용 수 13

한 줄 요약

이 연구는 MIMIC-III 데이터베이스에서의 첫 24시간 내 임상 노트를 활용하여, 중환자실(ICU) 입원 후 72시간 이내 급성 신장손상(AKI) 발병을 예측하는 자연어처리(NLP)-기반 기계학습 모델을 개발한다. MetaMap과 UMLS를 통해 임상적으로 의미 있는 단어 및 개념 특징을 추출하고, 지도 학습 분류기들을 적용함으로써 모델은 0.779의 경쟁력 있는 AUC를 달성하였으며, 이는 비정형 임상 노트의 NLP가 일반 중환자 치료 환자에서 조기 AKI 위험 예측을 가능하게 한다는 것을 보여준다.

ABSTRACT

Acute kidney injury (AKI) in critically ill patients is associated with significant morbidity and mortality. Development of novel methods to identify patients with AKI earlier will allow for testing of novel strategies to prevent or reduce the complications of AKI. We developed data-driven prediction models to estimate the risk of new AKI onset. We generated models from clinical notes within the first 24 hours following intensive care unit (ICU) admission extracted from Medical Information Mart for Intensive Care III (MIMIC-III). From the clinical notes, we generated clinically meaningful word and concept representations and embeddings, respectively. Five supervised learning classifiers and knowledge-guided deep learning architecture were used to construct prediction models. The best configuration yielded a competitive AUC of 0.779. Our work suggests that natural language processing of clinical notes can be applied to assist clinicians in identifying the risk of incident AKI onset in critically ill patients upon admission to the ICU.

연구 동기 및 목표

• 비정형 임상 노트를 활용하여 중환자 환자에서 급성 신장손상(AKI)을 조기에 예측할 수 있는 데이터 기반 방법을 개발한다.
• 임상 노트의 자연어처리(NLP)가 전통적인 생물학적 마커를 초월하여 조기 AKI 위험 예측을 향상시킬 수 있는지 조사한다.
• 임상 노트를 활용한 AKI 예측에서 다양한 기계학습 분류기와 지식 유도 딥러닝의 성능을 평가한다.
• AKI 발병과 관련이 있는 임상적으로 의미 있는 특징을 노트에서 식별한다.
• NLP를 활용해 중환자 치료에서 조기에 고위험 환자를 선별함으로써 임상 의사결정 지원의 가능성을 평가한다.

제안 방법

• 18세 이상 환자에 대해 MIMIC-III 데이터베이스에서 ICU 입원 후 첫 24시간 내 임상 노트를 추출하였다.
• 텍스트 전처리에는 개인정보(PHI) 마스킹, Porter 스타마이징, 낮은 빈도어휘(문서 빈도 < 100) 및 313개의 불용어 제거가 포함되었다.
• 두 가지 특징 표현 방식이 생성되었으며, 각각 단어의 집합(uni-gram)과 MetaMap을 통해 UMLS 개념 고유식별자(CUIs)를 사용한 개념의 집합이었다.
• 다섯 가지 지도 학습 분류기(로지스틱 회귀, SVM, 랜덤 포레스트, XGBoost, lightGBM)와 지식 유도 컨volutional 신경망(CNN)이 특징 집합에 대해 훈련되었다.
• 최고의 성능을 보인 모델은 단어의 집합과 CUI 집합 특징을 결합한 L2 정규화 로지스틱 회귀를 사용하였으며, AUC 0.779를 달성하였다.
• 모델 성능 평가는 환자 수준의 데이터 분리(훈련:검증 = 7:3)를 통해 평가되었으며, 데이터 누출을 방지하기 위해 시행되었다.

실험 결과

연구 질문

• RQ1 ICU 입원 후 첫 24시간 내 임상 노트의 자연어처리(NLP)를 통해 72시간 이내 AKI 발병을 임상적으로 유용한 정확도로 예측할 수 있는가?
• RQ2 임상 노트에서 유도된 NLP 특징 중 어떤 것(단어 또는 의학적 개념)이 중환자 환자에서 AKI 발병과 가장 예측 가능성이 높은가?
• RQ3 임상 노트를 활용한 AKI 예측에서 다양한 기계학습 분류기의 성능은 어떻게 비교되는가?
• RQ4 지식 유도 딥러닝 아키텍처가 이 임상 NLP 과제에서 전통적 분류기보다 정확도를 향상시킬 수 있는가?
• RQ5 모델이 미래 AKI 발병과 가장 관련이 깊다고 식별한 주요 임상 용어와 개념은 무엇인가?

주요 결과

• L2 정규화 로지스틱 회귀를 사용한 최고 성능 모델은 단어의 집합과 CUI 집합 특징을 결합하여 AKI 발병 예측에 AUC 0.779를 달성하였다.
• ‘cabg’, ‘lasix’, ‘swan’, ‘insulin’과 같은 임상적으로 의미 있는 용어들이 모델에서 고가중치 특징으로 식별되어 강력한 예측 관련성을 보였다.
• ‘urosepsis’라는 용어는 노트에서 희귀하게 나타났지만(11,560건 중 79건), AKI와 매우 강하게 연관되어 있어 어휘 매핑 향상 잠재력이 있음을 시사했다.
• 오류 분석 결과, 고위험 수술 후 환자(예: CABG 수술 후)는 높은 계수를 가진 용어가 자주 언급되므로, AKI가 없음에도 불구하고 과잉 예측되는 경우가 있었다.
• 지식 유도 CNN은 기존 분류기보다 성능이 떨어졌으며, 이는 임상 노트 데이터셋의 긴 텍스트 성격과 규모의 작음을 고려할 때 유의미한 영향을 미치지 못했기 때문으로 보인다.
• 특징 분석 결과, 모델이 AKI의 위험 요인로 알려진 ‘central-core-myopathy’(CUI) 및 ‘rhabdomyolysis’와 같은 임상적으로 관련 있는 신호를 잘 포착하고 있음을 확인하였다.