[논문 리뷰] Finding Algebraic Structure of Care in Time: A Deep Learning Approach

Phuoc Nguyen, Truyen Tran외 1명|arXiv (Cornell University)|2017. 11. 21.

Machine Learning in Healthcare참고 문헌 11인용 수 4

한 줄 요약

이 논문은 전자 의무기록(EMR) 내 다질환-다치료 상호작용을 포착하기 위해 질환과 치료법을 공유 벡터 공간에 임bedding하는 딥러닝 모델을 제안한다. 방문 기록 시퀀스를 모델링하기 위해 장기 단기 기억(LSTM) 네트워크를 사용하여 당뇨병 및 정신건강 코hort에서 경쟁적인 AUC 점수(최대 0.73)를 기록하며 예측 불가능한 재입원을 예측한다. 이는 의료 실체의 대수적 조작이 위험 예측에 가치가 있음을 보여준다.

ABSTRACT

Understanding the latent processes from Electronic Medical Records could be a game changer in modern healthcare. However, the processes are complex due to the interaction between at least three dynamic components: the illness, the care and the recording practice. Existing methods are inadequate in capturing the dynamic structure of care. We propose an end-to-end model that reads medical record and predicts future risk. The model adopts the algebraic view in that discrete medical objects are embedded into continuous vectors lying in the same space. The bag of disease and comorbidities recorded at each hospital visit are modeled as function of sets. The same holds for the bag of treatments. The interaction between diseases and treatments at a visit is modeled as the residual of the diseases minus the treatments. Finally, the health trajectory, which is a sequence of visits, is modeled using a recurrent neural network. We report preliminary results on chronic diseases - diabetes and mental health - for predicting unplanned readmission.

연구 동기 및 목표

• 전자 의무기록(EMR)에서 질병, 치료, 데이터 기록의 동적 상호작용을 모델링하기 위해.
• 질병과 치료법을 공유 공간 내 연속적인 벡터로 표현하여 의료 실체의 대수적 조작을 가능하게 하기 위해.
• 수동적인 특징 공학 없이 종단간 딥러닝 프레임워크를 사용하여 향후 위험(예: 예측 불가능한 재입원)을 예측하기 위해.
• 질병과 치료의 진행 상황을 벡터 차이를 통해 모델링할 경우 예측 성능 향상이 시간이 지남에 따라 어떻게 영향을 미치는지 조사하기 위해.

제안 방법

• 학습된 임베딩을 사용하여 질병과 치료법을 공유 연속적 벡터 공간에 임베딩한다.
• 병합된 질병 및 치료법은 벡터의 반직선 합을 계산하고 단위 길이로 정규화하는 가분리 가능한 집합 함수를 통해 표현된다.
• 방문 시 질병과 치료법 간의 상호작용은 질병 벡터에서 치료 벡터를 뺀 잔차로 모델링되어 치료 효과를 포착한다.
• 장기 단기 기억(LSTM) 네트워크는 종단적 건강 궤적을 모델링하기 위해 방문 표현의 시퀀스를 처리한다.
• 모델은 종단간으로 훈련되어 향후 위험(예: 예측 불가능한 재입원)을 이진 교차 엔트로피 손실을 사용하여 예측한다.
• 진행 정보를 통합한 변형 모델은 당뇨병 데이터에서 성능 향상을 보였으며, 이는 예측에 있어 시간적 동역학이 중요함을 시사한다.

실험 결과

연구 질문

• RQ1 임bedded된 의료 실체(예: 질병 및 치료 벡터)에서의 대수적 연산(예: 벡터 뺄셈)이 EMR 내 다질환-다치료 상호작용을 효과적으로 모델링할 수 있는가?
• RQ2 질병 및 치료 벡터의 잔차를 모델링할 경우 표준적 접근 방식에 비해 위험 예측 성능이 어떻게 향상되는가?
• RQ3 질병 및 치료의 차이로 정의되는 진행 정보를 통합할 경우 예측 성능이 시간이 지남에 따라 향상되는가?
• RQ4 원시 EMR 데이터에서 훈련된 종단간 딥러닝 모델이 전통적 기준 모델보다 예측 불가능한 재입원 예측에서 뛰어난 성능을 내는가?
• RQ5 의료 실체의 연속적 벡터 표현이 만성 질환 궤적의 해석 가능하고 일반화 가능한 모델링을 얼마나 잘 가능하게 하는가?

주요 결과

• 다질환-다치료(MDMTP) 모델은 당뇨병 데이터에서 AUC 0.718, 정신건강 데이터에서 AUC 0.726을 기록하여 기준 모델을 초월했다.
• 진행 정보를 포함한 MDMTP+LSTM 변형은 당뇨병에서 AUC 0.701, 정신건강에서 AUC 0.730을 기록하여 진행 동역학을 모델링할 경우 성능 향상이 있음을 시사했다.
• 모델은 BoW+LR 및 Deepr와 같은 강력한 기준 모델에 비해 경쟁적인 성능을 보였으며, 특히 정신건강 예측에서 두드러졌다.
• 질병 상태 궤적의 시각화 결과 고위험 환자는 시간이 지남에 따라 질병 상태가 악화되는 패턴을, 저위험 환자는 안정적인 패턴을 보였다.
• 종단간 아키텍처는 먼 위험 요인에 대한 책임 할당을 가능하게 하여 비가분리 모델 대비 모델의 투명도를 향상시켰다.
• 대수적 시각은 벡터 뺄셈을 통한 질병-치료 상호작용의 직관적 모델링을 가능하게 하여 임상적 추론을 위한 유망한 프레임워크를 제안한다.