[논문 리뷰] Identifying Risk of Opioid Use Disorder for Patients Taking Opioid Medications with Deep Learning

Xinyu Dong, Jianyuan Deng외 7명|arXiv (Cornell University)|2020. 10. 09.

Machine Learning in Healthcare참고 문헌 29인용 수 5

한 줄 요약

이 연구는 전자 건강 기록(EHR) 이력을 분석하여 옹약 처방을 받은 환자에서 옹약 사용 장애(OUD) 위험을 예측하기 위해 장기 단기 기억(LSTM) 네트워크를 사용하는 딥러닝 접근법을 제안한다. 모델은 F1 스코어 0.8023과 AUROC 0.9369를 기록하여 기존 기계학습 방법을 능가했으며, OUD 관련 약물 및 생체 징후와 같은 핵심 임상 특징을 식별했다.

ABSTRACT

The United States is experiencing an opioid epidemic, and there were more than 10 million opioid misusers aged 12 or older each year. Identifying patients at high risk of Opioid Use Disorder (OUD) can help to make early clinical interventions to reduce the risk of OUD. Our goal is to predict OUD patients among opioid prescription users through analyzing electronic health records with machine learning and deep learning methods. This will help us to better understand the diagnoses of OUD, providing new insights on opioid epidemic. Electronic health records of patients who have been prescribed with medications containing active opioid ingredients were extracted from Cerner Health Facts database between January 1, 2008 and December 31, 2017. Long Short-Term Memory (LSTM) models were applied to predict opioid use disorder risk in the future based on recent five encounters, and compared to Logistic Regression, Random Forest, Decision Tree and Dense Neural Network. Prediction performance was assessed using F-1 score, precision, recall, and AUROC. Our temporal deep learning model provided promising prediction results which outperformed other methods, with a F1 score of 0.8023 and AUCROC of 0.9369. The model can identify OUD related medications and vital signs as important features for the prediction. LSTM based temporal deep learning model is effective on predicting opioid use disorder using a patient past history of electronic health records, with minimal domain knowledge. It has potential to improve clinical decision support for early intervention and prevention to combat the opioid epidemic.

연구 동기 및 목표

• 옹약 처방을 받은 환자 중에서 옹약 사용 장애(OUD)에 걸릴 위험이 높은 환자를 식별하기 위한 예측 모델을 개발하는 것.
• 다수의 임상 방문 기록을 포함한 전자 건강 기록(EHR) 데이터를 활용하여 OUD 위험 조기 탐지의 정교함을 높이는 것.
• 특히 LSTMs를 포함한 딥러닝 모델의 성능을 기존 기계학습 방법(예: 로지스틱 회귀 및 랜덤 포레스트)과 비교하는 것.
• EHR 데이터에서 OUD 위험 예측에 가장 기여하는 임상적으로 유의미한 특징을 식별하는 것.
• 조기 간섭을 가능하게 하여 옹약 위기 완화를 지원하기 위해 임상 의사결정을 지원하는 것.

제안 방법

• 2008년 1월부터 2017년 12월까지 옹약 함유 약물을 처방받은 환자의 장기적 EHR 데이터를 Cerner Health Facts 데이터베이스에서 추출하였다.
• 환자의 최근 5회 임상 방문 기록을 기반으로 환자 시퀀스를 구성하여 건강 기록 내 시간적 패턴을 포착하였다.
• OUD 위험 예측을 위한 EHR 데이터의 시간적 의존성을 모델링하기 위해 장기 단기 기억(LSTM) 네트워크를 적용하였다.
• 비교 성능 분석을 위해 로지스틱 회귀, 랜덤 포레스트, 결정 트리, 밀집 신경망, LSTM을 포함한 여러 모델을 훈련 및 평가하였다.
• 훈련된 LSTM 모델에서 OUD 관련 약물 및 생체 징후와 같은 핵심 예측 변수를 식별하기 위해 특징 중요도 분석을 수행하였다.
• 표준 평가 지표인 F1 스코어, 정밀도, 재현율 및 AUROC(수신기 작동 특성 곡선 아래 면적)를 사용하여 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 최근 EHR 이력만을 사용하여 딥러닝 모델이 미래의 옹약 사용 장애(OUD) 위험을 효과적으로 예측할 수 있는가?
• RQ2 OUD 위험 예측에서 시간적 특성을 반영한 LSTM 기반 모델의 성능은 기존 기계학습 모델과 비교해 어떻게 다른가?
• RQ3 모델에 따르면 EHR 데이터의 어떤 임상 특징이 OUD 발생에 가장 예측 가능성이 높은가?
• RQ4 최소한의 영역 지식을 가진 딥러닝 모델이 OUD 예측 성능을 높이기 위해 얼마나 효과적으로 활용될 수 있는가?
• RQ5 모델이 OUD 발병 이전에 고위험 환자를 식별함으로써 조기 임상 간섭을 지원할 수 있는가?

주요 결과

• LSTM 기반 딥러닝 모델은 F1 스코어 0.8023과 AUROC 0.9369를 기록하여 로지스틱 회귀, 랜덤 포레스트, 결정 트리 및 밀집 신경망 모델을 뛰어넘었다.
• 모델는 우수한 일반화 능력과 시간적 패턴 모델링 능력을 보였으며, 환자의 EHR 데이터 내 장기적 패턴을 효과적으로 포착했다.
• 모델의 의사결정 과정에서 OUD 관련 약물과 생체 징후가 가장 중요한 예측 특징으로 확인되었다.
• 낮은 영역 지식 요구로도 높은 예측 성능를 달성함으로써, 실질적인 임상 현장 적용 가능성이 높다는 것을 시사했다.
• 결과적으로 딥러닝 모델이 조기에 고위험 환자를 효과적으로 식별하여 적시 임상 간섭을 가능하게 할 수 있음을 시사한다.
• 이 연구는 LSTMs를 활용한 EHR 데이터의 시간적 모델링이 높은 정확도와 해석 가능성으로 OUD 위험 예측에 유망한 접근법임을 확인한다.