[논문 리뷰] Predicting Discharge Medications at Admission Time Based on Deep Learning

Yang Yuan, Pengtao Xie외 5명|arXiv (Cornell University)|2017. 11. 04.

Machine Learning in Healthcare참고 문헌 32인용 수 3

한 줄 요약

이 논문은 입원 기록에서 약물의 의미적 표현과 약물 간 약리학적 상관관계를 활용하여 퇴원 약물 예측을 위한 딥러닝 접근법을 제안한다. 컨volutional 신경망(CNN)을 사용한 이 방법은 가장 우수한 베이스라인 대비 매크로 평균 F1 스코어에서 20% 향상된 성능을 기록하며, 특히 드문 약물에 대해 뛰어난 성능을 보여주는데, 이는 약물 간 상관관계를 효과적으로 포착할 수 있기 때문이다.

ABSTRACT

Predicting discharge medications right after a patient being admitted is an important clinical decision, which provides physicians with guidance on what type of medication regimen to plan for and what possible changes on initial medication may occur during an inpatient stay. It also facilitates medication reconciliation process with easy detection of medication discrepancy at discharge time to improve patient safety. However, since the information available upon admission is limited and patients' condition may evolve during an inpatient stay, these predictions could be a difficult decision for physicians to make. In this work, we investigate how to leverage deep learning technologies to assist physicians in predicting discharge medications based on information documented in the admission note. We build a convolutional neural network which takes an admission note as input and predicts the medications placed on the patient at discharge time. Our method is able to distill semantic patterns from unstructured and noisy texts, and is capable of capturing the pharmacological correlations among medications. We evaluate our method on 25K patient visits and compare with 4 strong baselines. Our methods demonstrate a 20% increase in macro-averaged F1 score than the best baseline.

연구 동기 및 목표

• 환자의 정보가 제한적이고 변화무도한 입원 초기 시점에 퇴원 약물을 예측하는 임상적 과제를 해결하기 위해.
• 예측적 재검토를 통해 약물 불일치를 조기에 탐지함으로써 환자 안전을 향상시키기 위해.
• 비정형 임상 기록에서 학습하고 약물 간 복잡한 약리학적 관계를 포착하는 데이터 기반 방법을 개발하기 위해.
• 특히 희귀 약물에 대해 기존의 베이스라인을 능가하여 다수의 퇴원 약물을 예측하기 위해.
• 입원 데이터만을 사용하여 딥러닝을 활용해 치료 계획 수립 시 임상 의사결정 지원의 가능성을 입증하기 위해.

제안 방법

• 비정형 텍스트에서 의미적 표현을 학습하기 위해 원시 입원 기록을 기반으로 컨볼루션 신경망(CNN)을 훈련하여 퇴원 약물을 예측한다.
• 모델은 임상 텍스트를 인코딩하기 위해 워드 임베딩을 사용하고, 다양한 해상도에서 局부 패턴을 추출하기 위해 컨볼루션 필터를 적용한다.
• 밀집층에서 공유 잠재 요인을 통해 약물 간 약리학적 상관관계를 포착함으로써 희귀 약물에 대한 예측 성능을 향상시킨다.
• 모델 아키텍처는 입원 약물, 과거 병력, 주된 호소, 기타 임상 정보를 입력 특성으로 통합한다.
• 모델 훈련은 다중 레이블 분류 프레임워크를 활용하며, 동시에 다수의 약물을 예측하기 위해 시그모이드 활성화 함수를 사용한다.
• 학습된 표현을 해석하고 의미적 이해도를 검증하기 위해 워드 임베딩, 컨볼루션 필터, 밀집층의 시각화를 수행한다.

실험 결과

연구 질문

• RQ1 제한적이고 노이즈가 많은 임상 정보가 존재하는 입원 기록만을 사용할 때, 딥러닝 모델이 퇴원 약물을 정확하게 예측할 수 있는가?
• RQ2 모델이 약물 간 상관관계를 포착할 수 있는 능력이 희귀 약물에 대한 예측 성능 향상에 어떻게 기여하는가?
• RQ3 CNN이 기존의 전통적 기계학습 베이스라인 대비 다수의 퇴원 약물을 예측할 때 얼마나 뛰어난 성능을 보이는가?
• RQ4 원시 텍스트에서 유도된 의미적 표현이 단순한 특징 기반 모델 대비 예측 정확도 향상에 어떻게 기여하는가?
• RQ5 약리학적 상관관계가 희귀 약물과 일반 약물 간의 일반화 능력을 향상시키는 데 어떤 역할을 하는가?

주요 결과

• CNN 모델은 가장 우수한 베이스라인 대비 매크로 평균 F1 스코어에서 20% 상대적 향상을 기록하며, 전체 예측 성능 향상이 뚜렷하게 확인되었다.
• 아텐올롤과 딜티아제팜과 같은 희귀 약물에 대해 더 큰 향상률을 보였으며, 효과적인 상관관계 학습 덕분에 성능 향상이 두드러졌다.
• 가장 흔한 약물인 메토프로롤과 푸로세미드에 대해 각각 F1 스코어 0.79와 0.70을 기록하여 일반 약물에 대해서도 뛰어난 성능를 보였다.
• 모델의 마이크로 평균 F1 스코어는 정밀도 0.63, 재현율 0.70을 기록하여 전체 약물 세트에서 균형 잡힌 성능을 보였다.
• 다층퍼셉트론(MLP)은 입원 약물 정보에만 의존하기 때문에 가장 열악한 성능을 보였으며, 더 넓은 임상적 맥락 통합의 중요성을 시사한다.
• 희귀 약물에 대한 모델의 뛰어난 성능는 약리학적 상관관계를 활용해 데이터 부족을 보완할 수 있다는 점에서 기인한다.