[논문 리뷰] Interpretable Survival Analysis for Heart Failure Risk Prediction

Mike Van Ness, Tomas M. Bosschieter외 4명|arXiv (Cornell University)|2023. 10. 24.

Machine Learning in Healthcare인용 수 4

한 줄 요약

이 논문은 전자 건강 기록을 사용하여 심부전 위험을 예측하기 위한 새로운 해석 가능한 생존 분석 파이프라인을 제안한다. 개선된 생존 스태킹, 기능 선택을 위한 ControlBurn, 그리고 해석 가능한 부스팅 기반 모델을 조합함으로써, 임상적 해석 가능성은 유지하면서도 최신 기술 수준의 성능을 달성하며, 심부전 위험 요인에 대한 새로운 통찰을 제공한다.

ABSTRACT

Survival analysis, or time-to-event analysis, is an important and widespread problem in healthcare research. Medical research has traditionally relied on Cox models for survival analysis, due to their simplicity and interpretability. Cox models assume a log-linear hazard function as well as proportional hazards over time, and can perform poorly when these assumptions fail. Newer survival models based on machine learning avoid these assumptions and offer improved accuracy, yet sometimes at the expense of model interpretability, which is vital for clinical use. We propose a novel survival analysis pipeline that is both interpretable and competitive with state-of-the-art survival models. Specifically, we use an improved version of survival stacking to transform a survival analysis problem to a classification problem, ControlBurn to perform feature selection, and Explainable Boosting Machines to generate interpretable predictions. To evaluate our pipeline, we predict risk of heart failure using a large-scale EHR database. Our pipeline achieves state-of-the-art performance and provides interesting and novel insights about risk factors for heart failure.

연구 동기 및 목표

• 심부전 예측를 위한 생존 분석에서 비례 위험 가정을 만족하지 못하고 비선형 효과를 갖는 문제를 다루기 위해 전통적인 코크스 모델의 한계를 해결하기 위해.
• 후행 설명 방법에 의존하지 않고도 높은 해석 가능성을 유지하는 기계학습 기반 생존 파이프라인을 개발하기 위해.
• 실제 의료 현장 적용을 위해 표준 코크스 모델보다 예측 정확도를 향상시키면서도 임상적 해석 가능성을 유지하기 위해.
• 대규모 전자 건강 기록 데이터를 기반으로 해석 가능한 모델링을 통해 기존 방법으로는 간과되었을 수 있는 새로운 임상적 관련 위험 요인을 규명하기 위해.

제안 방법

• 생존 문제를 생존 시간 추정 없이 이진 분류 문제로 변환하는 데 사용되는 개선된 확장 가능한 생존 스태킹 버전을 사용한다.
• 다중공선성 감소 및 모델 안정성 향상을 위해 관련성 있고 상관도가 낮은 기능을 선택하는 데 ControlBurn을 적용한다.
• 해당 모델의 최종 추정기로 해석 가능한 예측을 내재적으로 제공하는 일반화된 가산 모델을 기반으로 한 해석 가능한 부스팅 기반 모델(EBM)을 사용한다.
• 생존 데이터의 위험 집합을 분류 학습 샘플로 변환함으로써 생존 시간 정보를 허수값 없이 유지한다.
• 우선 우수한 분류 성능, 오차 최소화 및 모델 투명성 확보를 위해 오른쪽 근거 데이터를 처리하는 종단 간 파이프라인을 통합한다.
• 다양한 임상 변수에 대한 시간적 특성(예: 평균, 최대, 최소, 최종 측정값)을 포함한 전자 건강 기록 데이터를 사용하여 종단적 위험 패턴을 포착한다.

Figure 1: A summary of our interpretable survival analysis pipeline. During training (left), we use ControlBurn for feature selection (Section 3.3 ), survival stacking with subsampling to cast the survival data to classification data (Algorithm 1 ), and EBMs for generating feature importances and sh

실험 결과

연구 질문

• RQ1 임상적 활용을 위해 높은 해석 가능성을 유지하면서도 최신 기술 수준의 예측 성능을 달성할 수 있는 생존 분석 파이프라인을 설계할 수 있는가?
• RQ2 제안된 파이프라인은 표준 코크스 모델 및 기타 기계학습 생존 모델과 비교해 분류 성능 및 캘리브레이션 측면에서 어떻게 다를까?
• RQ3 해석 가능한 모델링을 통해 기존 방법으로는 간과되었을 수 있는 새로운 임상적 위험 요인들이 심부전에 대해 어떻게 드러나는가?
• RQ4 고차원의 전자 건강 기록 데이터에서 ControlBurn을 통한 기능 선택이 모델 안정성과 예측 성능 향상에 얼마나 기여하는가?
• RQ5 생존 시간 추정 없이 생존 스태킹을 적용할 경우, 허수값 기반 접근 방식에 비해 확장성과 해석 가능성 측면에서 더 나은 성능을 보일 수 있는가?

주요 결과

• 제안된 파이프라인은 대규모 전자 건강 기록 데이터베이스에서 심부전 위험 예측에 최신 기술 수준의 성능을 달성하며, 표준 코크스 모델 및 기타 기계학습 기반 기준 모델을 능가한다.
• 모델은 기존에 간과되었던 위험 요인들—예를 들어 체중, 크레아티닌, QRS 지속시간의 장기적 추세—가 심부전 예측에 강력한 예측 변수임을 규명하였다.
• ControlBurn은 기능 간 상관도를 효과적으로 감소시키고 모델 안정성을 향상시켜 더 신뢰할 수 있고 해석 가능한 기능 중요도 순서를 도출한다.
• 해석 가능한 부스팅 기반 모델(EBM)은 높은 정밀도의 국소 해석 가능한 예측을 제공하며 임상적 직관과 일치하여 임상 의사결정 지원에 기여한다.
• 생존 스태킹은 생존 시간 추정이 필요 없이도 시간-사건 데이터를 정확하게 모델링할 수 있게 해주며, 허수값 기반 방법에 내재된 편향을 피할 수 있다.
• 파이프라인은 생체지표의 동적 변화—예를 들어 크레아티닌 상승과 eGFR 감소—가 정적 기저치 값보다도 더 높은 예측 능력을 지닌다는 것을 드러냈다.

Figure 2: Distribution of predicted survival probabilities $S(t\mid X_{i})=P(T_{i}>t)$ at $t=5$ across test patients. The left plot shows the survival probabilities using Eq. ( 2 ) as in (Craig et al., 2021 ) , while the right plot shows Eq. ( 5 ). Our survival prediction method gives a reasonable d