[논문 리뷰] Learning from Clinical Judgments: Semi-Markov-Modulated Marked Hawkes Processes for Risk Prognosis

Ahmed M. Alaa, Scott Hu외 1명|arXiv (Cornell University)|2017. 05. 15.

Gaussian Processes and Bayesian Inference참고 문헌 20인용 수 11

한 줄 요약

이 논문은 전자 건강 기록(EHR) 데이터를 사용하여 입원 환자의 임상적 악화 위험을 모델링하기 위해 반-마르코프 조절 표식 허크스 프로세스를 제안한다. 정보적 표본 추출(의사가 주문한 생체 징후)과 정보적 케이서링 사건(중환자실 이송)을 모두 포착함으로써, 모델은 잠재적인 임상 상태를 학습하고 기존의 위험 점수 및 기계 학습 방법을 능가하며, 가장 우수한 기준점(Rothman Index)보다 23% AUROC 향상을 달성한다.

ABSTRACT

Critically ill patients in regular wards are vulnerable to unanticipated adverse events which require prompt transfer to the intensive care unit (ICU). To allow for accurate prognosis of deteriorating patients, we develop a novel continuous-time probabilistic model for a monitored patient's temporal sequence of physiological data. Our model captures "informatively sampled" patient episodes: the clinicians' decisions on when to observe a hospitalized patient's vital signs and lab tests over time are represented by a marked Hawkes process, with intensity parameters that are modulated by the patient's latent clinical states, and with observable physiological data (mark process) modeled as a switching multi-task Gaussian process. In addition, our model captures "informatively censored" patient episodes by representing the patient's latent clinical states as an absorbing semi-Markov jump process. The model parameters are learned from offline patient episodes in the electronic health records via an EM-based algorithm. Experiments conducted on a cohort of patients admitted to a major medical center over a 3-year period show that risk prognosis based on our model significantly outperforms the currently deployed medical risk scores and other baseline machine learning algorithms.

연구 동기 및 목표

• 입원 환자의 임상적 악화의 시간적 동역학을 EHR 데이터를 사용하여 연속 시간 확률 모델로 포착하는 것.
• 의사의 환자 모니터링 시점(정보적 표본 추출)과 중환자실 이송 결정(정보적 케이서닝)을 생성 과정의 일부로 모델링하는 것.
• EM 기반 알고리즘을 사용하여 불규칙하게 샘플링된 생리적 데이터와 관찰 시간으로부터 잠재적인 임상 상태를 학습하는 것.
• 모델 구조에 임상 판단 패턴을 통합하여 중환자실 이송에 대한 조기 위험 예측을 향상시키는 것.
• 중환자실 이송 이전에 악성 사건을 예측하는 데 있어 기존 임상 위험 점수 및 기계 학습 기준점보다 성능을 뛰어나게 하는 것.

제안 방법

• 관찰 시간이 잠재적인 임상 상태에 의해 조절되는 허크스 프로세스에 의해 이끌리는 마킹된 허크스 프로세스로 환자 에피소드를 모델링한다.
• 관측된 생리적 데이터(마킹)를 현재 잠재적인 임상 상태에 따라 변화하는 다중 작업 가우시안 프로세스로 표현하며, 그 매개변수는 현재 상태에 의존한다.
• 잠재적인 임상 상태를 흡수성 반-마르코프 점프 프로세스로 모델링하며, 흡수 상태는 임상적 악화 또는 회복을 나타낸다.
• 환자의 현재 임상 상태와 관련된 관찰 강도를 연결함으로써 정보적 표본 추출을 통합한다. 이는 의사의 급박성을 반영한다.
• 중환자실 이송 또는 퇠퇴를 반-마르코프 프로세스의 흡수 사건으로 모델링함으로써 정보적 케이서닝을 통합한다.
• 오프라인 EHR 데이터로부터 모델 매개변수를 학습하기 위해 EM 기반 알고리즘을 사용하며, 잠재 상태와 관찰 동역학을 동시에 추정한다.

실험 결과

연구 질문

• RQ1 임상 판단 패턴—관찰 시점과 이송 결정에 대한 것—을 위험 예측의 정보적 신호로 어떻게 모델링할 수 있는가?
• RQ2 불규칙하게 샘플링된 생리적 데이터와 의사 주도 관찰 과정을 동시에 포괄하는 연속 시간 확률 모델이 조기 경고 정확도를 향상시킬 수 있는가?
• RQ3 표준 마르코프 모델 또는 슬라이딩 윈도우 모델에 비해 임상적 악화를 흡수성 반-마르코프 프로세스로 모델링할 경우 위험 예측 성능 향상 정도는 어느 정도인가?
• RQ4 제안된 모델은 중환자실 이송 예측에서 기존의 임상 위험 점수 및 기계 학습 기준점과 비교하여 성능 면에서 어떻게 다른가?
• RQ5 정보적 표본 추출과 정보적 케이서닝을 동시에 통합하면 실생활 임상 환경에서 더 이르고 정확한 위험 점수를 도출할 수 있는가?

주요 결과

• 제안된 위험 점수는 AUROC 0.481을 달성하여 가장 우수한 임상 위험 점수(Rothman Index, AUROC 0.255)보다 23% 향상된 성능을 보였다.
• 모든 기준점 기계 학습 방법, 특히 슬라이딩 윈도우 랜덤 포레스트(AUROC 0.366)를 포함하여, 11.5% AUROC 향상을 달성하며 우수한 성능을 보였다.
• 표준 히든 마르코프 모델과 가우시안 방출을 사용한 모델보다 16% AUROC 향상을 달성하여 반-마르코프 상태 전이의 이점을 입증했다.
• 감도 50%에서 위험 점수는 실제 중환자실 이송 평균 8시간 전에 경고를 발행하였다.
• 모델은 의사의 결정이 환자 상태의 신호이자 정보적 사건이라는 双중 역할을 효과적으로 포착하였으며, 추론 시 관찰 과정 데이터를 사용하지 않았다.
• 이러한 뛰어난 예측 성능로 인해 시스템은 현재 사용 중인 임상 위험 점수의 대체로 의료 센터에 도입 중이다.