[논문 리뷰] Learning to Detect Sepsis with a Multitask Gaussian Process RNN Classifier

Joseph Futoma, Sanjay Hariharan외 1명|arXiv (Cornell University)|2017. 06. 13.

Sepsis Diagnosis and Treatment참고 문헌 19인용 수 66

한 줄 요약

비정상적 다변량 임상 시계열을 보간하기 위해 Multitask Gaussian Processes를 사용하는 확장 가능하고 엔드투엔드 분류기를 제시하여, 이를 RNN에 입력해 수 시간 앞의 패혈증을 예측합니다.

ABSTRACT

We present a scalable end-to-end classifier that uses streaming physiological and medication data to accurately predict the onset of sepsis, a life-threatening complication from infections that has high mortality and morbidity. Our proposed framework models the multivariate trajectories of continuous-valued physiological time series using multitask Gaussian processes, seamlessly accounting for the high uncertainty, frequent missingness, and irregular sampling rates typically associated with real clinical data. The Gaussian process is directly connected to a black-box classifier that predicts whether a patient will become septic, chosen in our case to be a recurrent neural network to account for the extreme variability in the length of patient encounters. We show how to scale the computations associated with the Gaussian process in a manner so that the entire system can be discriminatively trained end-to-end using backpropagation. In a large cohort of heterogeneous inpatient encounters at our university health system we find that it outperforms several baselines at predicting sepsis, and yields 19.4% and 55.5% improved areas under the Receiver Operating Characteristic and Precision Recall curves as compared to the NEWS score currently used by our hospital.

연구 동기 및 목표

• 풍부하고 불규칙한 다변량 임상 시계열을 활용하여 패혈증을 더 조기에 더 정확하게 탐지합니다.
• 생리학적 데이터의 불확실성과 누락을 모델링하여 예측 성능을 향상시킵니다.
• MGP 기반 보간을 깊은 학습 분류기와 엔드투엔드 학습 프레임워크로 통합합니다.

제안 방법

• 변수 간 잠재적이고 규칙적으로 간격이 정렬된 표현을 얻기 위해 생리학적 시계열을 Multitask Gaussian Process (MGP)로 모델링합니다.
• MGP를 Recurrent Neural Network (RNN, 구현상 LSTM)과 연결하여 패혈증 확률을 출력합니다.
• Monte Carlo 추정과 재매개변화를 통해 MGP 포스터리에 대한 기대 손실을 최소화하여 엔드투엔드로 학습합니다.
• 확장성을 위해 Lanczos 기반 Krylov 방법을 사용해 고차원 MGPPosterior에서 샘플을 효율적으로 추출합니다.
• RNN에 추가 입력으로 기준 공변량과 약물 투여 타이밍을 통합합니다.
• 성능 향상을 평가하기 위해 NEWS/MEWS/SIRS 및 기저 GP/RNN 변형과 비교합니다.

실험 결과

연구 질문

• RQ1 패혈증 예측을 위해 불규칙한 다변량 임상 시계열을 보간하고 보정하는 데 Multitask Gaussian Process를 사용할 수 있을까요?
• RQ2 엔드투엔드 MGP-RNN 학습이 전통적인 조기 경보 지수와 비 엔드투엔드 베이스라인에 비해 판별성과 시의성을 개선합니까?
• RQ3 불확실성 및 교차 변수 상관 관계를 포함하는 것이 예측 성능과 거짓 경보 감소에 얼마나 기여합니까?

주요 결과

• The MGP-RNN은 패혈증을 대략 4시간 앞서 탐지합니다.
• 4시간 앞서, 모델은 민감도 0.85 및 정밀도 0.64를 달성합니다.
• MGP-RNN은 원시 데이터로 학습된 RNN 대비 AU-ROC에서 4.3% 포인트, AU-PR에서 11.1% 포인트 향상을 보입니다.
• 이 방법은 NEWS, MEWS, SIRS를 능가하며 더 높은 정밀도와 더 낮은 경보 부담을 달성합니다.
• NEWS와 비교하면 0.85 민감도 및 4시간 앞에서 실제 경보당 약 0.5회의 거짓 경보를 발생시키며, NEWS의 약 2.5에 비해 낮습니다.
• 불확실성 전파를 포함한 엔드투엔드 학습은 MGP-RNN-mean 및 단변량 GP 베이스라인에 비해 이점을 제공합니다.