[논문 리뷰] Hospital Readmission Prediction - Applying Hierarchical Sparsity Norms for Interpretable Models

Jialiang Jiang, Sharon Hewner외 1명|arXiv (Cornell University)|2018. 04. 03.

Child Nutrition and Water Access참고 문헌 14인용 수 3

한 줄 요약

이 논문은 환자의 질병력과 인구통계학적 정보를 바탕으로 병원 재입원 위험을 예측하기 위해 트리 구조를 가진 그룹 LASSO를 사용한 계층적 희박성 유도 정규화 방법을 제안한다. ICD-9-CM 질병 코드 계층을 활용하여 모델은 뛰어난 성능(AUC ~0.75)을 달성하고, 병원 내 감염, 정신건강 장애, 약물 남용, 영양실조 및 주거 불안정성과 같은 사회경제적 요인을 포함한 핵심 위험 요인을 특정하여 임상적 의사결정 지원을 위한 실질적인 통찰을 제공한다.

ABSTRACT

Hospital readmissions have become one of the key measures of healthcare quality. Preventable readmissions have been identified as one of the primary targets for reducing costs and improving healthcare delivery. However, most data driven studies for understanding readmissions have produced black box classification and predictive models with moderate performance, which precludes them from being used effectively within the decision support systems in the hospitals. In this paper we present an application of structured sparsity-inducing norms for predicting readmission risk for patients based on their disease history and demographics. Most existing studies have focused on hospital utilization, test results, etc., to assign a readmission label to each episode of hospitalization. However, we focus on assigning a readmission risk label to a patient based on their disease history. Our emphasis is on interpreting the models to improve the understanding of the readmission problem. To achieve this, we exploit the domain induced hierarchical structure available for the disease codes which are the features for the classification algorithm. We use a tree based sparsity-inducing regularization strategy that explicitly uses the domain hierarchy. The resulting model not only outperforms standard regularization procedures but is also highly sparse and interpretable. We analyze the model and identify several significant factors that have an effect on readmission risk. Some of these factors conform to existing beliefs, e.g., impact of surgical complications and infections during hospital stay. Other factors, such as the impact of mental disorder and substance abuse on readmission, provide empirical evidence for several pre-existing but unverified hypotheses. The analysis also reveals previously undiscovered connections such as the influence of socioeconomic factors like lack of housing and malnutrition.

연구 동기 및 목표

• 환자의 질병력과 인구통계학적 데이터를 활용해 해석 가능한 병원 재입원 위험 예측 모델을 개발하기 위해.
• 임상 의사결정 지원에서 블랙박스 모델의 한계를 극복하기 위해 모델의 투명성과 해석 가능성을 향상시키기 위해.
• ICD-9-CM 질병 코드의 계층적 구조를 활용하여 특징 선택과 모델 성능 향상을 도모하기 위해.
• 병원 내 사건 이외의 임상적으로 의미 있고 실천 가능한 위험 요인, 예를 들어 행동 및 사회경제적 요인을 규명하기 위해.
• 모델 해석을 통해 기반 데이터 기반의 증거 기반 전략을 통해 회피 가능한 재입원을 줄이기 위해.

제안 방법

• 연구는 ICD-9-CM 질병 코드 계층에 따라 희박성을 강제하는 트리 구조를 가진 계층적 그룹 LASSO 노름을 사용한 로지스틱 회귀 모델을 적용한다.
• ICD-9-CM 코드의 계층적 구조를 사전 지식으로 활용하여 관련성이 있을 경우 전체 질병 범주가 선택되도록 유도한다.
• 모델은 뉴욕 주 Medicaid 청구 데이터를 기반으로 훈련되었으며, 100만 명 이상의 환자와 18,000개 이상의 가능한 진단 코드를 포함한다.
• 해석 가능성은 가장 재입원 위험 예측에 기여하는 질병 코드 그룹과 개별 코드를 식별함으로써 향상된다.
• 특정 만성질환(예: 당뇨병, 만성 폐쇄성 폐질환) 환자를 대상으로 한 하위집단 분석을 수행하여 질환별 위험 요인을 규명한다.
• 모델 성능 평가는 AUC와 같은 표준 지표를 사용하며, 표준 L1 및 그룹 LASSO 정규화 방법과의 비교를 포함한다.

실험 결과

연구 질문

• RQ1 계층적 희박성 정규화는 재입원 예측 모델의 해석 가능성과 성능을 어떻게 향상시킬 수 있는가?
• RQ2 ICD-9-CM 계층을 활용할 경우 가장 재입원 위험 예측에 기여하는 진단 코드와 코드 그룹은 무엇인가?
• RQ3 행동 또는 사회경제적 조건과 같은 비임상적 요인 중 재입원 위험에 유의미하게 영향을 주는 것은 무엇인가?
• RQ4 특정 만성질환을 가진 하위집단 간 위험 요인은 어떻게 다를 수 있는가?
• RQ5 구조적 희박성 모델은 청구 데이터에서 이전에 알려지지 않았거나 간과되었던 위험 요인을 드러낼 수 있는가?

주요 결과

• 트리 구조를 가진 계층적 그룹 LASSO 모델은 표준 L1 및 그룹 LASSO 정규화보다 뛰어난 성능을 보이며, 재입원 예측에서 AUC 약 0.75를 달성한다.
• 편수 감염과 자살 생각은 모든 환자 하위집단에서 일관되게 가장 중요한 진단 코드로 규명되었다.
• 정신 장애와 약물 남용은 재입원의 중요한 예측 요인으로 확인되어 오랫동안 유지되어 온 임상 가설에 대한 실증적 근거를 제공한다.
• 영양실조 및 안정된 주거 없음과 같은 사회경제적 요인이 주요 위험 요인으로 규명되어 사회적 결정 요인과 재입원 간의 강한 연관성을 시사한다.
• 당뇨병 또는 만성 폐쇄성 폐질환을 앓는 환자에서는 일시적 뇌허혈 또는 췌장 질환과 같은 공존 질환이 재입원 위험 예측에 강력한 예측 요소로 나타났다.
• 모델은 특정 만성질환 하위집단에서 일부 진단 코드가 고유하게 예측 능력을 지닌다는 점을 드러내어 공존 질환이 재입원 위험에 중요한 영향을 미친다는 점을 강조한다.