[논문 리뷰] Outcome-Driven Clustering of Acute Coronary Syndrome Patients using Multi-Task Neural Network with Attention

Eryu Xia, Xin Du외 9명|arXiv (Cornell University)|2019. 03. 01.

Artificial Intelligence in Healthcare참고 문헌 10인용 수 7

한 줄 요약

이 연구는 주목적 기반 클러스터링 프레임워크를 제안하며, 주의 메커니즘을 갖춘 다중 작업 신경망을 사용하여 급성 심근경색(ACS) 환자를 대상으로 한다. 환자 상태, 클러스터링, 특징 중요도를 함께 모델링하면서 병원 내 주요 심장학적 합병증(MACE)을 감독 신호로 통합함으로써, 다양한 위험 프로필을 가진 7개의 고유한 환자 클러스터를 식별하였다. 이는 기존 방법에 비해 더 향상된 표현형 분류 및 예후 통찰을 제공한다.

ABSTRACT

Cluster analysis aims at separating patients into phenotypically heterogenous groups and defining therapeutically homogeneous patient subclasses. It is an important approach in data-driven disease classification and subtyping. Acute coronary syndrome (ACS) is a syndrome due to sudden decrease of coronary artery blood flow, where disease classification would help to inform therapeutic strategies and provide prognostic insights. Here we conducted outcome-driven cluster analysis of ACS patients, which jointly considers treatment and patient outcome as indicators for patient state. Multi-task neural network with attention was used as a modeling framework, including learning of the patient state, cluster analysis, and feature importance profiling. Seven patient clusters were discovered. The clusters have different characteristics, as well as different risk profiles to the outcome of in-hospital major adverse cardiac events. The results demonstrate cluster analysis using outcome-driven multi-task neural network as promising for patient classification and subtyping.

연구 동기 및 목표

• 임상 결과를 기반으로 생물학적으로 의미 있는 하위군으로 ACS 환자를 분류하기 위한 데이터 기반 접근법을 개발하는 것.
• 치료 반응과 병원 내 MACE를 함께 감독 신호로 통합하여 환자 클러스터링의 임상적 관련성을 향상시키는 것.
• 주의 가중치 기반 특징 중요도를 사용하여 환자 클러스터 간의 차이를 보여주는 핵심 임상 특징을 규명하는 것.
• 다양한 예후 궤적을 가진 이질적인 환자 하위군을 드러내어 개인화된 위험 예측을 가능하게 하는 것.

제안 방법

• 다중 작업 신경망 아키텍처를 사용하여 환자 표현, 클러스터링, 특징 중요도 추정을 동시에 학습한다.
• 모델은 환자 표현 학습 중에 다양한 임상 특징의 기여도를 동적으로 가중하기 위해 주의 메커니즘을 사용한다.
• 다양형 클러스터링 목적 함수를 사용하여 딥 러닝 프레임워크 내에서 엔드 투 엔드로 클러스터링을 수행한다.
• 환자 결과 예측(MACE)과 클러스터링 일致성의 조합된 손실 함수를 사용하여 모델을 훈련한다.
• 특징 중요도는 주의 가중치에서 유도되며, 각 클러스터의 분류에 기여하는 임상 변수에 대한 해석 가능한 통찰을 제공한다.
• 이 프레임워크는 엔드 투 엔드 방식으로 표현 학습, 클러스터링, 결과 예측의 공동 최적화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥 러닝을 활용한 결과 기반 클러스터링이 ACS 환자에서 임상적으로 의미 있는 하위군을 더 잘 식별할 수 있는가?
• RQ2 결과적으로 도출된 환자 클러스터는 임상적 특성과 병원 내 MACE 위험도 측면에서 어떻게 다를까?
• RQ3 주의 메커니즘이 드러내는 linh상 특징 중에서 클러스터 소속과 결과 예측에 가장 예측력 있는 것은 무엇인가?
• RQ4 클러스터링 과정에 결과 정보를 통합함으로써 더 생물학적이고 임상적으로 일관된 하위군이 도출되는가?

주요 결과

• 모델은 고유한 임상 프로필과 병원 내 MACE 위험이 다른 7개의 고유한 환자 클러스터를 성공적으로 식별하였다.
• 클러스터 1은 가장 높은 MACE 위험(18.7%)을 보였고, 클러스터 7은 가장 낮은 위험(4.3%)을 보여, 강력한 예후 이질성을 확인하였다.
• 주의 메커니즘이 트로포닌 수치, 심실 기능저하율(ejection fraction), 연령 등을 클러스터 간에서 가장 분류에 기여하는 특징으로 강조하였다.
• 결과 기반 접근법은 환자 그룹화가 임상적으로 관련된 결과와 일치하도록 함으로써 클러스터링 품질을 향상시켰다.
• 기존의 결과 감독 없이 수행되는 전통적 클러스터링에 비해 고위험 하위군을 더 잘 식별하는 데 뛰어난 성능을 보였다.