[논문 리뷰] Early Recognition of Sepsis with Gaussian Process Temporal Convolutional Networks and Dynamic Time Warping

Michael Moor, Max Horn외 3명|arXiv (Cornell University)|2019. 02. 05.

Sepsis Diagnosis and Treatment참고 문헌 51인용 수 39

한 줄 요약

두 가지 방법인 MGP-TCN과 DTW-KNN을 비정형 시계열에서 조기 패혈증 탐지에 도입합니다; 둘 다 이전의 최첨단(MGP-RNN)을 능가하여 발병 7시간 전까지 더 높은 AUPRC를 달성합니다.

ABSTRACT

Sepsis is a life-threatening host response to infection associated with high mortality, morbidity, and health costs. Its management is highly time-sensitive since each hour of delayed treatment increases mortality due to irreversible organ damage. Meanwhile, despite decades of clinical research, robust biomarkers for sepsis are missing. Therefore, detecting sepsis early by utilizing the affluence of high-resolution intensive care records has become a challenging machine learning problem. Recent advances in deep learning and data mining promise to deliver a powerful set of tools to efficiently address this task. This empirical study proposes two novel approaches for the early detection of sepsis: a deep learning model and a lazy learner based on time series distances. Our deep learning model employs a temporal convolutional network that is embedded in a Multi-task Gaussian Process Adapter framework, making it directly applicable to irregularly-spaced time series data. Our lazy learner, by contrast, is an ensemble approach that employs dynamic time warping. We frame the timely detection of sepsis as a supervised time series classification task. For this, we derive the most recent sepsis definition in an hourly resolution to provide the first fully accessible early sepsis detection environment. Seven hours before sepsis onset, our methods improve area under the precision--recall curve from 0.25 to 0.35/0.40 over the state of the art. This demonstrates that they are well-suited for detecting sepsis in the crucial earlier stages when management is most effective.

연구 동기 및 목표

• 비정형 샘플링된 ICU 시계열에서 조기 패혈증 탐지의 문제에 대응한다.
• 샘플링의 불규칙성을 고려하면서 예측 성능을 극대화하는 엔드투엔드 모델을 개발한다.
• 커뮤니티 연구를 위한 접근 가능한 시간당 Sepsis-3 라벨링 프레임워크와 벤치마크 데이터셋을 제공한다.

제안 방법

• MGP-TCN 제안: 비정형 샘플링 다변량 시계열에 대해 다변태 가우시안 프로세스 어댑터와 Temporal Convolutional Networks를 결합한다.
• MGP 후방분포와 TCN 분류기를 함께 최적화하도록 엔드투엔드 학습을 사용한다.
• DTW-KNN 제안: 채널 간 다변량 다이나믹 타임 워핑 거리 기반 앙상블 분류기로, 채널별 예측을 평균하여 집계한다.
• 평가를 Sepsis-3 시간별 표기와 발병 7시간 전의 예측 수평선에 맞춘다.
• MIMIC-III 데이터셋에서 기본선으로 MGP-RNN과 Raw-TCN을 비교하고 주요 지표로 AUPRC를 사용한다.
• 사례-대조 매칭으로 사소한 구분가능성을 감소시키고 현실적인 비교를 보장한다.

실험 결과

연구 질문

• RQ1 MGP-TCN과 DTW-KNN가 비정형 시계열에서 발병 7시간 이전보다 더 이르게 패혈증을 안정적으로 탐지할 수 있는가?
• RQ2 제안된 방법이 시간당 Sepsis-3 프레임워크에서 최첨단 MGP-RNN 및 표준 Raw-TCN보다 우수한가?
• RQ3 발병 시간까지 최대 7시간의 예측 수평선이 AUPRC와 AUC로 측정된 모델 성능에 어떤 영향을 미치는가?

주요 결과

• MGP-TCN은 발병 7시간 전 AUPRC를 0.35로 향상시켜 이전 방법을 능가한다.
• DTW-KNN 앙상블은 발병 7시간 전 AUPRC를 0.40으로 향상시켜 최첨단을 능가한다.
• 두 새로운 방법은 시간대 전반에 걸쳐 MGP-RNN을 지속적으로 능가하고, 이 설정에서 Raw-TCN은 성능이 낮다.
• 삽입 보정 기반 Raw-TCN 성능은 수평선이 발병으로부터 멀어질수록 저하되지만, 불확실성 인지 기반 MGP 기반 방법은 이득을 유지한다.
• DTW-KNN은 초기 성능이 강하지만 매우 큰 코호트의 확장성/메모리 문제가 있으며, MGP-TCN은 온라인 배치를 위해 더 잘 확장된다.