[논문 리뷰] Neural Temporal Point Processes For Modelling Electronic Health Records

Joseph Enguehard, Dan Busbridge외 3명|arXiv (Cornell University)|2020. 07. 27.

3D Shape Modeling and Analysis참고 문헌 63인용 수 7

한 줄 요약

이 논문은 전자 건강 기록(EHR)을 비정규적이고 다중 모odal한 사건 시퀀스로 모델링하기 위해 신경망을 사용하는 신경 시간점프로세스(Neural TPPs)를 제안한다. 사건 발생 시간과 레이블을 함께 모델링함으로써, 비-TPP 모델보다는 합성 및 기준 EHR 데이터에서 뚜렷한 성능 향상을 보이며, 주목적 기반 변형은 임상 의사결정 지원을 위한 해석 가능성을 제공한다.

ABSTRACT

The modelling of Electronic Health Records (EHRs) has the potential to drive more efficient allocation of healthcare resources, enabling early intervention strategies and advancing personalised healthcare. However, EHRs are challenging to model due to their realisation as noisy, multi-modal data occurring at irregular time intervals. To address their temporal nature, we treat EHRs as samples generated by a Temporal Point Process (TPP), enabling us to model what happened in an event with when it happened in a principled way. We gather and propose neural network parameterisations of TPPs, collectively referred to as Neural TPPs. We perform evaluations on synthetic EHRs as well as on a set of established benchmarks. We show that TPPs significantly outperform their non-TPP counterparts on EHRs. We also show that an assumption of many Neural TPPs, that the class distribution is conditionally independent of time, reduces performance on EHRs. Finally, our proposed attention-based Neural TPP performs favourably compared to existing models, whilst aligning with real world interpretability requirements, an important step towards a component of clinical decision support systems.

연구 동기 및 목표

• 일관된 확률적 프레임워크를 통해 노이즈가 많고 비정규적이며 다중 모달인 EHR를 모델링하는 데 도전하는 것.
• 종단적 기록을 시간점프로세스(TPP)의 표본으로 간주함으로써 EHR 모델링을 향상시키는 것.
• 시간과 사건 레이블을 함께 모델링하는 신경망 파arameterization(신경 TPPs)을 개발하는 것.
• Synthea를 통해 생성된 합성 EHR과 기존의 TPP 기준 벤치마크를 사용하여 성능을 평가하는 것.
• 실제 임상 의사결정 지원 요구사항과 일치하는 주목적 기반 메커니즘을 도입하여 임상적 해석 가능성을 확보하는 것.

제안 방법

• EHR를 시간점프로세스(TPP)의 실현으로 간주하고, 사건 발생의 조건부 강도 λ∗m(t)를 모델링한다.
• 신경망을 사용하여 조건부 강도 함수를 파arameterization함으로써 사건 역학의 유연하고 비선형적인 모델링을 가능하게 한다.
• 다중 클래스 또는 다중 레이블 로그우도 목적함수를 통해 사건 시간과 레이블을 함께 모델링함으로써 시간과 레이블 진화 간의 종속성을 포착한다.
• 한 모델 변형에서 주목적 기반 메커니즘을 사용하여 과거 사건들에 대한 해석 가능한 주목적 가중치를 제공한다.
• 데이터 프라이버시 보장을 위해 Synthea 시뮬레이터를 사용하여 합성 EHR를 활용한다.
• 성능 평가를 위해 시간 정확도와 레이블 정확도 성분으로 분해되는 메트릭스를 사용한다.

실험 결과

연구 질문

• RQ1 시간과 레이블을 함께 모델링하는 것이 조건부 독립 모델링보다 EHR 표현에 유의미한 성능 향상을 이끌어내는가?
• RQ2 Neural TPPs가 합성 및 실제 세계 EHR 기준 벤치마크에서 비-TPP 기준 모델을 능가하는가?
• RQ3 레이블 분포의 시간 조건부 독립성 가정이 EHR 데이터에서 성능에 어떤 영향을 미치는가?
• RQ4 Neural TPPs에 도입된 주목적 기반 메커니즘은 높은 성능와 함께 임상적으로 해석 가능한 주목적 가중치를 제공할 수 있는가?
• RQ5 일반적으로 사용되는 TPP 기준 데이터셋은 진정으로 도전적인가, 아니면 시간에 독립적인 모델이 쉽게 해결할 수 있는가?

주요 결과

• 시간과 레이블을 함께 모델링하는 Neural TPPs는 시간에 대해 조건부 독립으로 간주하는 모델보다 뚜렷한 성능 향상을 보인다.
• 레이블 분포와 시간 간의 조건부 독립성 가정은 EHR 데이터에서 성능 저하를 초래하며, 이는 이 맥락에서 이 가정이 타당하지 않음을 시사한다.
• 합성 EHR에서는 TPP 모델이 비-TPP 모델을 능가하지만, 일부 표준 TPP 기준 벤치마크는 시간에 독립적인 모델에 의해 쉽게 해결된다.
• 제안된 주목적 기반 Neural TPP는 뛰어난 성능를 달성하면서도 과거 사건들에 대한 해석 가능한 주목적을 제공하여 임상 의사결정 지원 통합을 지원한다.
• 레이블 정확도와 시간 정확도 성분으로 분해되는 메트릭스는 레이블이 부여된 EHR 데이터에 대한 TPP 평가에 필수적이다.
• 본 연구는 비정상적인 의료 지식 변화로 인한 모델 드리프트 위험과 예측 의료 모델이 건강 접근성과 환자 자율성에 미치는 윤리적 영향을 부각시킨다.