[논문 리뷰] Predicting Blood Pressure Response to Fluid Bolus Therapy Using Attention-Based Neural Networks for Clinical Interpretability

Uma Girkar, Ryo Uchimido외 4명|arXiv (Cornell University)|2018. 12. 03.

Hemodynamic Monitoring and Therapy참고 문헌 15인용 수 9

한 줄 요약

이 연구는 MIMIC-III 데이터베이스의 시계열 임상 데이터를 사용하여 중환자실(ICU) 환자에서 체액 보충 요법(FBT)에 대한 혈압 반응을 예측하는 주의 기반 딥러닝 모델을 개발한다. 스택드 LSTM에 주의 메커니즘을 적용한 모델가 가장 높은 성능(정확도: 0.852, AUC: 0.925)을 기록하였으며, FBT 성공에 영향을 미치는 핵심 생리학적 시점과 특징을 식별함으로써 높은 예측 정확도와 임상 해석 가능성을 동시에 확보하였다.

ABSTRACT

Determining whether hypotensive patients in intensive care units (ICUs) should receive fluid bolus therapy (FBT) has been an extremely challenging task for intensive care physicians as the corresponding increase in blood pressure has been hard to predict. Our study utilized regression models and attention-based recurrent neural network (RNN) algorithms and a multi-clinical information system large-scale database to build models that can predict the successful response to FBT among hypotensive patients in ICUs. We investigated both time-aggregated modeling using logistic regression algorithms with regularization and time-series modeling using the long short term memory network (LSTM) and the gated recurrent units network (GRU) with the attention mechanism for clinical interpretability. Among all modeling strategies, the stacked LSTM with the attention mechanism yielded the most predictable model with the highest accuracy of 0.852 and area under the curve (AUC) value of 0.925. The study results may help identify hypotensive patients in ICUs who will have sufficient blood pressure recovery after FBT.

연구 동기 및 목표

• 체액 보충 요법(FBT)에 대한 혈압 반응 예측을 향상시키기 위해, FBT를 시행한 후에도 반응을 보이지 않는 환자들이 많음에도 불구하고 광범위하게 사용되고 있는 FBT의 효과를 사전에 정확히 예측하고자 한다.
• 불필요한 체액 투여를 방지하기 위해 FBT에 유의미하게 반응할 가능성이 높은 환자를 식별함으로써 임상적 과제를 해결하고자 한다.
• 실제 중환자실 환경에서의 적용을 고려하여 높은 예측 성능와 함께 임상적 해석 가능성을 확보한 기계학습 모델을 개발하고자 한다.
• 시계열 모델링을 위한 순환 신경망(RNN)이 시간 집계 모델보다 FBT 반응 예측에서 뛰어난 성능을 보이는지 조사하고자 한다.
• 주요 주의 메커니즘을 활용하여 FBT 성공에 영향을 미치는 임상적으로 의미 있는 특징과 핵심 시점을 규명하고자 한다.

제안 방법

• 17,977명의 저혈압 환자가 중환자실 입원 후 24시간 이내에 FBT를 시행한 대규모 중환자실 데이터베이스(MIMIC-III)를 활용하였다.
• 인구통계학적 정보, 기저질환, 생명체증상, 검사값, 혈관수축제 투여량 등 총 29개의 임상 특징(시간에 따라 변하는 특징과 변화하지 않는 특징 포함)을 추출하였다.
• 정규화된 로지스틱 회귀, 다층 퍼셉트론, 그리고 주의 메커니즘을 적용하거나 적용하지 않은 순환 신경망(LSTM 및 GRU)을 적용하였다.
• 시간의 해상도를 12, 36, 72개 타임스텝으로 나누어 시간의 세분화 수준이 모델 성능에 미치는 영향을 평가하였다.
• 주요 결정 과정에서 FBT 시행 이전에 가장 영향력 있는 타임스텝을 식별하기 위해 주의 메커니즘을 적용하였다.
• 원시 임상 데이터로부터 압축되고 정보가 풍부한 특징 표현을 도출하기 위해 오토에인코더를 사용하였다.

실험 결과

연구 질문

• RQ1 주의 메커니즘을 갖춘 순환 신경망은 기존의 시간 집계 모델에 비해 FBT에 대한 혈압 반응 예측 성능를 향상시키는가?
• RQ2 성공적인 FBT 반응을 예측하는 데 가장 유의미한 임상적 특징는 무엇이며, 이는 임상적으로 타당한가?
• RQ3 RNN의 주의 메커니즘이 FBT 결과에 영향을 미치는 임상적 경과에서 핵심적인 시점을 식별할 수 있는가?
• RQ4 오토에인코더 출력을 통해 도출된 분포 특징 표현을 사용할 경우 원시 특징에 비해 모델 성능이 향상되는가?
• RQ5 시계열 데이터를 사용하여 FBT 반응을 모델링할 때 최적의 시간 해상도는 무엇인가?

주요 결과

• 주어진 주의 메커니즘을 갖춘 스택드 LSTM 모델이 가장 높은 성능(정확도: 0.852, ROC 곡선 아래 면적(AUC): 0.925)을 기록하였다.
• 72개 타임스텝(약 20분 간격)을 사용한 모델가 더 굵은 해상도보다 뛰어난 성능을 보였으며, 이는 세밀한 시간적 모델링이 예측 성능 향상에 기여함을 시사한다.
• LASSO 정규화 로지스틱 회귀 모델은 호흡수, 확수압, 체온, 이산화탄소 농도, 기저 산도를 상위 예측 특징으로 규명하였으며, 이는 이전 임상 연구에서 간과된 특징들이다.
• 주의 메커니즘이 FBT 투여에 가장 가까운 시점이 가장 영향력 있는 것으로 나타내어 임상적 직관과 일치하며, 모델의 해석 가능성을 향상시켰다.
• 오토에인코더를 통해 도출된 특징 표현을 사용한 모델가 원시 특징을 사용한 모델와 유사한 성능을 기록하여 고차원 임상 데이터 환경에서의 유용성을 시사한다.
• 주의 메커니즘을 적용한 GRU 및 LSTM 모델이 주의 기반 없이 구현된 모델보다 뛰어난 성능을 보였으며, 이는 주의 메커니즘이 중요한 시간적 패턴을 식별하는 데 유용함을 입증한다.