[논문 리뷰] Interpretable Machine Learning for Resource Allocation with Application to Ventilator Triage

Julien Grand-Clément, Goh, You Hui외 3명|arXiv (Cornell University)|2021. 10. 21.

Emergency and Acute Care Studies참고 문헌 48인용 수 5

한 줄 요약

이 논문은 코로나19 팬데믹 기간 동안 산소호흡기 배정을 최적화하기 위해 마르코프 결정과정 기반 트리 정책을 사용하는 데이터 기반이고 해석 가능한 기계학습 프레임워크를 제안한다. 몬티피어의 의료센터에서 확보한 실제 환자 데이터를 활용하여, 기존 뉴욕주 정부의 팬데믹 이전 산소호흡기 배정 지침보다는 훨씬 더 낮은 초과 사망 수를 낳는 단순한 의사결정나무 기반 지침을 도출한다. 이 지침은 사망률 감소에 효과적이지 않으며, 우선도 순서에 따라 배정하는 정책과 유사한 성능을 보였다.

ABSTRACT

Rationing of healthcare resources is a challenging decision that policy makers and providers may be forced to make during a pandemic, natural disaster, or mass casualty event. Well-defined guidelines to triage scarce life-saving resources must be designed to promote transparency, trust, and consistency. To facilitate buy-in and use during high-stress situations, these guidelines need to be interpretable and operational. We propose a novel data-driven model to compute interpretable triage guidelines based on policies for Markov Decision Process that can be represented as simple sequences of decision trees ("tree policies"). In particular, we characterize the properties of optimal tree policies and present an algorithm based on dynamic programming recursions to compute good tree policies. We utilize this methodology to obtain simple, novel triage guidelines for ventilator allocations for COVID-19 patients, based on real patient data from Montefiore hospitals. We also compare the performance of our guidelines to the official New York State guidelines that were developed in 2015 (well before the COVID-19 pandemic). Our empirical study shows that the number of excess deaths associated with ventilator shortages could be reduced significantly using our policy. Our work highlights the limitations of the existing official triage guidelines, which need to be adapted specifically to COVID-19 before being successfully deployed.

연구 동기 및 목표

• 의료 서비스 급증 상황에서 산소호흡기 배정을 위한 해석 가능한 데이터 기반의 지침을 개발한다.
• 기존 공식 지침의 한계를 해결한다. 이는 데이터 기반이 아니며 코로나19 팬데믹 이전에 수립된 것이다.
• 연령 및 기저질환 정보를 포함하는 것이 결과를 향상시키는지, 또는 윤리적 고려사항과 성능의 상충을 초래하는지 평가한다.
• 해석 가능한 의사결정나무와 결합된 마르코프 결정과정 최적화를 통해 임상적 활용성을 확보하는 방법론을 설계한다.
• 주요 팬데믹 급증 기간 동안의 실제 환자 데이터와 시뮬레이션을 활용해 실세계 산소호흡기 배정 정책의 성능을 평가한다.

제안 방법

• 저자들은 환자의 건강 상태 변화에 기반한 상태 전이를 고려하여 유한 시간 범위의 마르코프 결정과정(MDP)으로 산소호흡기 배정 문제를 수립한다.
• 분류 트리 알고리즘과 MDP 해법 기법을 융합하여 의사결정나무 기반의 순차적 산소호흡기 배정 규칙을 나타내는 '트리 정책'을 도입한다.
• 성능과 해석 가능성의 균형을 고려하여 근사 최적의 트리 정책을 계산하기 위한 동적 프rogram밍 기반 알고리즘을 개발한다.
• 모델은 팬데믹 정점 기간 동안 몬티피어 의료센터에서 확보한 실제 환자 데이터(n=807)를 사용하여 전이 확률과 결과를 추정한다.
• 성능 평가를 위해 이론적 MDP 보상이 아닌 시뮬레이션을 활용하여 결과가 실세계 데이터와 전문가의 의견에 기반하도록 보장한다.
• 윤리적 고려사항은 이윤 중심 목표(생존자 수)와 공정성 간의 상충 관계를 평가함으로써 통합된다. 특히 연령과 기저질환에 대한 영향을 고려한다.

실험 결과

연구 질문

• RQ1 데이터 기반이고 해석 가능한 기계학습 모델이 팬데믹 기간 동안 초과 사망 수를 줄이기 위해 비데이터 기반의 전문가 설계 지침을 능가할 수 있는가?
• RQ2 산소호흡기 배정 규칙에 연령 및 기저질환 정보를 포함시키는 것이 생존 결과를 향상시키는가, 아니면 윤리적 문제와 성능의 상충을 초래하는가?
• RQ3 MDP에서 유도된 단순한 의사결정나무 기반 정책은 고위험 의료 자원 배분 상황에서 해석 가능성과 성능를 얼마나 잘 균형 잡는가?
• RQ4 기존의 공식 산소호흡기 배정 지침, 예를 들어 뉴욕주 지침은 코로나19 환자에 적용되었을 때 얼마나 사망률 감소에 실패하는가?
• RQ5 추가 임상 및 인구통계적 요소를 포함하는 더 복잡한 산소호흡기 배정 규칙보다 SOFA 점수만 기반으로 하는 모델이 더 뛰어난 성능을 보일 수 있는가?

주요 결과

• SOFA 점수만을 기반으로 한 제안된 트리 정책는 뉴욕주 지침보다 초과 사망 수를 유의미하게 줄였다. 이는 뉴욕주 지침이 우선도 순서에 따라 배정하는 정책과 유사한 성능을 보였다.
• 팬데믹 이전에 수립된 뉴욕주 지침은 사망률 감소에 실패했으며, 시뮬레이션 결과에서 단순한 우선도 순서 정책과의 개선 폭이 미미했다.
• 연령 및 기저질환 정보를 통합한 결과 사망률 감소에 기여하지 않았으며, 성능 향상 없이 윤리적 우려를 야기할 수 있었다.
• 모델는 SOFA 점수가 완벽하지 않지만, 체계적이고 규칙 기반의 산소호흡기 배정 프레임워크에서 효과적으로 기능할 수 있음을 입증했다.
• 연구는 팬데믹 이전에 수립된 산소호흡기 배정 지침이 새로운 병원체 환경에 부적합하며, 실제 환자 결과를 반영한 데이터 기반 개선이 시행 전에 필요하다는 점을 드러냈다.
• 시뮬레이션 결과는 팬데믹 급증 기간 동안 실제 환자 결과를 반영해 산소호흡기 배정 정책을 개선할 경우 생존자 수를 크게 늘릴 수 있다는 점을 시사한다.