[논문 리뷰] Improving Hospital Mortality Prediction with Medical Named Entities and Multimodal Learning

Mengqi Jin, Mohammad Taha Bahadori외 12명|arXiv (Cornell University)|2018. 11. 29.

Topic Modeling참고 문헌 19인용 수 62

한 줄 요약

논문은 구조화된 ICU 데이터와 임상의 메모에서 파생된 텍스트 표현을 결합한 다중 모달 모델을 제안하여 구조화된 데이터 기반 대비 병원 내 사망 예측을 개선한다.

ABSTRACT

Clinical text provides essential information to estimate the acuity of a patient during hospital stays in addition to structured clinical data. In this study, we explore how clinical text can complement a clinical predictive learning task. We leverage an internal medical natural language processing service to perform named entity extraction and negation detection on clinical notes and compose selected entities into a new text corpus to train document representations. We then propose a multimodal neural network to jointly train time series signals and unstructured clinical text representations to predict the in-hospital mortality risk for ICU patients. Our model outperforms the benchmark by 2% AUC.

연구 동기 및 목표

• 비구조화된 임상 노트를 활용해 사망 위험 예측을 향상시키려는 동기를 제시한다.
• 내부 의학 NER 서비스를 이용해 노트에서 엔티티와 부정을 추출한다.
• 두 가지 텍스트 표현(NoteEmb 및 EntityEmb)를 만들고 이를 시계열 데이터와 통합한다.
• MIMIC-III 벤치마크에서 멀티모달 아키텍처를 기저 LSTM과 비교 평가한다.
• 임상의 노트와 엔티티로 인한 성능 향상을 정량화한다.

제안 방법

• NoteEmb를 생성하기 위해 일일 집계 노트에서 임베딩을 생성하는 Doc2VecC를 사용한다.
• 의료 엔터티와 부정을 추출하는 신경 NER 서비스를 사용해 EntityEmb를 생성한다.
• 두 가지 아키텍처를 비교한다: 구조화된 데이터(Vital)에서의 기저 LSTM과 텍스트 임베딩을 시계열 신호와 융합하는 멀티모달 모델.
• MIMIC-III의 42,276 ICU stays에서 70/15/15의 학습/검증/테스트 분할로 모델을 학습 및 평가한다.
• 재현성과 비교 가능성을 위해 Harutyunyan 등 벤치마크 설정을 재현한다.

실험 결과

연구 질문

• RQ1 일일 집계 임상 노트를 포함하면 구조화된 데이터만으로보다 사망 예측이 향상되는가?
• RQ2 의료 명명 엔터티에서 얻은 임베딩이 원시 노트 임베딩보다 추가 예측 가치를 제공하는가?
• RQ3 멀티모달 아키텍처가 동일한 데이터 모달리티를 사용하는 순수 LSTM보다 성능이 우수한가?
• RQ4 NoteEmb와 EntityEmb의 AU-ROC 및 AU-PRC 지표에 대한 정량적 영향은 어느 정도인가?

주요 결과

• NoteEmb를 포함한 멀티모달 모델은 AU-ROC를 0.8669(Vital+NoteEmb, Multi-modal)으로 올렸고 기저 LSTM의 0.8531 대비 향상됐다.
• EntityEmb를 포함한 멀티모달 모델은 AU-ROC 0.8734(Vital+EntityEmb, Multi-modal)로 달성하고 0.8703(Vital+EntityEmb, LSTM) 대비 향상.
• NoteEmb+LSTM의 AU-ROC는 0.8496, AU-PRC 0.5040; EntityEmb+LSTM의 AU-ROC는 0.8703, AU-PRC 0.5470.
• 전반적으로 의학 엔터티의 임베딩은 토큰화된 노트 임베딩보다 AU-ROC에서 일관되게 우수하다.
• 멀티모달 아키텍처는 동일한 특성 집합에서 순수 LSTM 기저 대비 성능이 향상되었다.
• 향상은 동일한 데이터 처리 흐름에서 공개 벤치마크와 직접 비교 가능하다.