[논문 리뷰] Individualized Risk Prognosis for Critical Care Patients: A Multi-task Gaussian Process Model

Ahmed M. Alaa, Jinsung Yoon외 2명|arXiv (Cornell University)|2017. 05. 22.

Healthcare Technology and Patient Monitoring참고 문헌 9인용 수 3

한 줄 요약

이 논문은 정적 환자 특성과 동적 생리학적 시계열 데이터를 통합한 다중 작업 가우시안 프로세스 모델을 사용하여 중환자실 환자를 위한 개인화되고 실시간으로 작동하는 위험 점수를 제안한다. 기존 도구인 Rothman 지수와 MEWS보다 8시간 이르게 중환자실 입원을 예측하며, 양성 예측도 35%와 진성 양성률 50%를 기록하여 거짓 경고를 크게 줄이고 자원 활용도를 향상시킨다.

ABSTRACT

We report the development and validation of a data-driven real-time risk score that provides timely assessments for the clinical acuity of ward patients based on their temporal lab tests and vital signs, which allows for timely intensive care unit (ICU) admissions. Unlike the existing risk scoring technologies, the proposed score is individualized; it uses the electronic health record (EHR) data to cluster the patients based on their static covariates into subcohorts of similar patients, and then learns a separate temporal, non-stationary multi-task Gaussian Process (GP) model that captures the physiology of every subcohort. Experiments conducted on data from a heterogeneous cohort of 6,094 patients admitted to the Ronald Reagan UCLA medical center show that our risk score significantly outperforms the state-of-the-art risk scoring technologies, such as the Rothman index and MEWS, in terms of timeliness, true positive rate (TPR), and positive predictive value (PPV). In particular, the proposed score increases the AUC with 20% and 38% as compared to Rothman index and MEWS respectively, and can predict ICU admissions 8 hours before clinicians at a PPV of 35% and a TPR of 50%. Moreover, we show that the proposed risk score allows for better decisions on when to discharge clinically stable patients from the ward, thereby improving the efficiency of hospital resource utilization.

연구 동기 및 목표

• 중환자실 환자를 위한 실시간, 데이터 기반 위험 점수를 개발하여 기존 임상 위험 점수 시스템을 향상시키는 것.
• 일괄적인 모델의 한계를 해결하기 위해 개인별 환자 특성과 시간에 따른 생리학적 궤적을 통합하는 것.
• 시간에 따라 변화하는 비정상적이고 불규칙하게 샘플링된 생리학적 데이터를 모델링하여 거짓 경고를 줄이고 경고 피로를 감소시키는 것.
• 적절한 시기에 중환자실 입원 및 임상적으로 안정된 환자의 안전한 퇴원을 가능하게 하여 병원 자원 활용 효율성을 향상시키는 것.
• 주요 의료기관에서 온 6,094명의 다양한 환자 군에서 모델을 검증하는 것.

제안 방법

• 모델은 비정상적이고 시간에 따라 상관관계가 있는 생리학적 궤적을 불규칙하게 샘플링된 생체 신호 및 검사 결과에서 포착하기 위해 다중 작업 가우시안 프로세스(GP)를 사용한다.
• 비정상적이고 불규칙하게 샘플링된 생리학적 데이터를 바탕으로, 연속적인 입원 공변량(예: 연령, 성별, 진단)을 기반으로 비정상적 학습을 통해 환자 집단을 하위군으로 군집화하여 환자 표현형을 정의한다.
• 전자건강기록(EHR) 데이터를 활용해 임상적으로 안정적이고 악화되는 환자에 대해 별도의 GP 초모수를 학습함으로써 표현형별 맞춤형 모델링을 가능하게 한다.
• 위험 점수는 관측된 생리학적 시계열 데이터를 바탕으로 악화 대비 안정성에 대한 순차적 가설 검정에서 최적의 검정 통계량으로 유도된다.
• 개별 환자 위험 점수가 새로운 측정치가 도착함에 따라 실시간으로 업데이트되는 방식으로, EHR 데이터를 종합적으로 학습한다.
• AUC 최적화를 위해 임계값이 조정된 공동 경고 시스템을 구현하여 고위험 환자에 대한 중환자실 이송 또는 저위험 환자에 대한 퇴원을 유도한다.

실험 결과

연구 질문

• RQ1 데이터 기반의 개인화된 위험 점수가 기존의 일괄적 모델보다 중환자실 악화 예측에서 뛰어나지 못할까?
• RQ2 완전한 시간적 생리학적 궤적을 통합함으로써 스냅샷 기반 모델 대비 정확도와 예측의 적시성은 어떻게 향상되는가?
• RQ3 정적 및 동적 EHR 데이터에서 유도된 환자 표현형이 모델의 개인화 및 성능 향상에 얼마나 기여하는가?
• RQ4 제안된 모델이 양성 예측도와 예측의 적시성을 높여 거짓 경고를 줄이고 임상 의사결정을 향상시킬 수 있는가?
• RQ5 안정된 환자에 대한 조기에 안전하게 퇴원시킬 수 있도록 함으로써 모델이 병원 자원 활용도를 향상시키는가?

주요 결과

• 제안된 위험 점수는 AUC 0.88을 달성하여 Rothman 지수 대비 20% 향상되고 MEWS 대비 38% 향상되었다.
• 양성 예측도 35%와 진성 양성률 50% 조건에서, 모델은 현재 임상 실무보다 8시간 이르게 중환자실 입원을 예측한다.
• 순간적인 값에 의존하는 것 대신 시간적 궤적을 모델링함으로써 거짓 경고를 크게 줄였으며, 임상적 신뢰도를 높이고 경고 피로를 감소시켰다.
• 랜덤 포레스트, RNN, LASSO, HMM 등 모든 경쟁 알고리즘보다 모든 평가 지표와 설정에서 모델이 뛰어난 성능을 보였다.
• 중환자실 이송과 안전한 퇴원을 동시에 예측함으로써 자원 활용도를 향상시켰으며, 다양한 위험 임계값 조합에서 뛰어난 AUC 성능을 보였다.
• 개별화된 표현형 기반 모델링은 비개별화 또는 비시간적 모델 대비 더 정확하고 개인화된 위험 평가를 가능하게 했다.