[논문 리뷰] Identifying Sub-Phenotypes of Acute Kidney Injury using Structured and Unstructured Electronic Health Record Data with Memory Networks

Zhenxing Xu, Jingyuan Chou외 11명|arXiv (Cornell University)|2019. 04. 10.

Machine Learning in Healthcare참고 문헌 51인용 수 5

한 줄 요약

이 연구는 ICU 환자에서 급성 신손상(AKI)의 세 가지 상이한 아형을 식별하기 위해 구조화된 및 비구조화된 전자적 의료기록(EHR) 데이터를 통합한 메모리 네트워크 기반 딥러닝 모델을 제안한다. 이 방법은 종단적 EHR 데이터를 활용하여 환자 표현을 도출하고, 군집화를 수행하며 임상 마커를 기반으로 아형을 해석한다. 이로써 아형과 AKI 단계 사이에 강력한 연관성이 드러나며, 혈청 크레아티닌과 eGFR에서 통계적으로 유의미한 차이를 보인다.

ABSTRACT

Acute Kidney Injury (AKI) is a common clinical syndrome characterized by the rapid loss of kidney excretory function, which aggravates the clinical severity of other diseases in a large number of hospitalized patients. Accurate early prediction of AKI can enable in-time interventions and treatments. However, AKI is highly heterogeneous, thus identification of AKI sub-phenotypes can lead to an improved understanding of the disease pathophysiology and development of more targeted clinical interventions. This study used a memory network-based deep learning approach to discover AKI sub-phenotypes using structured and unstructured electronic health record (EHR) data of patients before AKI diagnosis. We leveraged a real world critical care EHR corpus including 37,486 ICU stays. Our approach identified three distinct sub-phenotypes: sub-phenotype I is with an average age of 63.03$ \pm 17.25 $ years, and is characterized by mild loss of kidney excretory function (Serum Creatinine (SCr) $1.55\pm 0.34$ mg/dL, estimated Glomerular Filtration Rate Test (eGFR) $107.65\pm 54.98$ mL/min/1.73$m^2$). These patients are more likely to develop stage I AKI. Sub-phenotype II is with average age 66.81$ \pm 10.43 $ years, and was characterized by severe loss of kidney excretory function (SCr $1.96\pm 0.49$ mg/dL, eGFR $82.19\pm 55.92$ mL/min/1.73$m^2$). These patients are more likely to develop stage III AKI. Sub-phenotype III is with average age 65.07$ \pm 11.32 $ years, and was characterized moderate loss of kidney excretory function and thus more likely to develop stage II AKI (SCr $1.69\pm 0.32$ mg/dL, eGFR $93.97\pm 56.53$ mL/min/1.73$m^2$). Both SCr and eGFR are significantly different across the three sub-phenotypes with statistical testing plus postdoc analysis, and the conclusion still holds after age adjustment.

연구 동기 및 목표

• 실제 EHR 데이터를 활용하여 AKI 이질성의 임상적 과제를 해결하고 아형을 발견하기 위해.
• 구조화된 및 비구조화된 EHR 데이터를 통합한 데이터 기반 접근법을 개발하여 AKI 아형 분류를 향상시키기 위해.
• AKI 중증도 단계(I–III) 및 고유한 생물학적 마커 프ofile과 관련된 임상적으로 의미 있는 아형을 식별하기 위해.
• 종단적 EHR 패턴을 기반으로 숨겨진 환자 아형을 밝혀내어 조기 예측 및 표적 치료를 향상시키기 위해.
• 주요 생물학적 마커의 통계적 비교를 통해 유도된 아형의 임상적 관련성을 검증하기 위해.

제안 방법

• 종단적 구조화된 및 비구조화된 EHR 데이터를 환자 표현으로 인코딩하기 위해 메모리 네트워크 기반 딥러닝 아키텍처를 사용한다.
• 모델은 랩 값, 생체징후, 서면 기록 등 시간 순서로 정렬된 임상 이벤트를 처리하여 맥락 기반 환자 임bedding을 학습한다.
• 비지도 군집화 기법을 사용하여 환자 표현을 군집화하여 상이한 아형을 식별한다.
• 임상적 해석을 위해 통계 테스트(연령 조정 후 ANCOVA)를 적용하여 군집 간 유의미하게 다른 특징을 식별한다.
• 구조화된 데이터(e.g., 혈청 크레아티닌, eGFR)와 비구조화된 데이터(e.g., 임상 노트)를 통합하여 포괄적인 환자 표현형을 포착한다.
• 실험적 해석력을 향상시키기 위해 군집 간 특징을 식별함으로써, 랩 값 및 생체징후를 포함한 분류 기반 특징을 제공한다.

실험 결과

연구 질문

• RQ1 구조화된 및 비구조화된 EHR 데이터를 통합한 딥러닝 모델이 생물학적·임상적으로 의미 있는 AKI 아형을 식별할 수 있는가?
• RQ2 식별된 아형 간 주요 생물학적 마커인 혈청 크레아티닌과 eGFR에 유의미한 차이가 있는가?
• RQ3 유도된 아형과 AKI 중증도 단계(KDIGO 기준) 사이에 강력한 연관성이 있는가?
• RQ4 모델의 표현이 ICU 입원 후 7일 이내 AKI 발병을 조기에 예측하는 데 향상될 수 있는가?
• RQ5 연령 조정 후 아형 간 임상 마커의 차이가 어떻게 달라지는가?

주요 결과

• 세 가지 상이한 AKI 아형이 식별되었다: 아형 I(평균 연령 63.03 ± 17.25세)는 경도 신기능 손실을 보였다(혈청 크레아티닌 1.55 ± 0.34 mg/dL, eGFR 107.65 ± 54.98 mL/min/1.73 m²), 주로 단계 I AKI와 관련됨.
• 아형 II(평균 연령 66.81 ± 10.43세)는 심한 신기능 장애를 보였다(혈청 크레아티닌 1.96 ± 0.49 mg/dL, eGFR 82.19 ± 55.92 mL/min/1.73 m²), 주로 단계 III AKI와 관련됨.
• 아형 III(평균 연령 65.07 ± 11.32세)는 중등도 신기능 이상을 보였다(혈청 크레아티닌 1.69 ± 0.32 mg/dL, eGFR 93.97 ± 56.53 mL/min/1.73 m²), 주로 단계 II AKI와 관련됨.
• 혈청 크레아티닌과 eGFR는 세 아형 모두에서 유의미하게 다름(p < 0.001), 연령 조정 후에도 유의미한 결과 유지.
• 헤모글로빈, 백혈구 수치(WBC), 소변 배출량 또한 아형 간에 유의미한 차이를 보였다(p < 0.001), 병원 임상 프로파일의 차이를 뒷받침함.
• 아형은 KDIGO AKI 단계와 강력한 일치를 보였다: 아형 I의 71.07%는 단계 I AKI를, 아형 II의 63.39%는 단계 III AKI를, 아형 III의 66.16%는 단계 II AKI를 가짐.