[논문 리뷰] Predicting readmission risk from doctors' notes

Erin Craig, C. A. A. Arias외 1명|arXiv (Cornell University)|2017. 11. 29.

Machine Learning in Healthcare참고 문헌 15인용 수 8

한 줄 요약

이 연구는 비정형 의사 퇴원 기록에 자연어 처리(NLP)를 적용한 딥러닝 모델을 개발하여 30일 이내 병원 전반의 계획되지 않은 재입원을 예측하였으며, c-statistic 값이 0.70에 도달하였다. 이 모델는 예측 결과와 관련된 특정 문장 조각을 연결함으로써 해석 가능성을 확보하여 임상의가 위험 예측을 이끄는 임상적 특징을 이해할 수 있도록 설계되었다.

ABSTRACT

We develop a model using deep learning techniques and natural language processing on unstructured text from medical records to predict hospital-wide $30$-day unplanned readmission, with c-statistic $.70$. Our model is constructed to allow physicians to interpret the significant features for prediction.

연구 동기 및 목표

• 의사의 비정형 퇴원 기록에서의 텍스트를 활용해 30일 이내 병원 전반의 계획되지 않은 재입원을 예측하기.
• 임상의가 예측의 근거가 되는 특징을 이해할 수 있도록 해석 가능한 딥러닝 모델을 개발하기.
• 정형 EMR 데이터에 기록되지 않은 바이오의학적 신호—예를 들어 예후 평가, 지속 중인 질환, 치료 결과 등—을 서술적 기록에서 임상적으로 의미 있는 방식으로 추출하기.
• 기존의 LACE와 같은 전통적 위험 점수를 넘어서 임상 기록의 자연어 이해를 활용해 위험군 환자를 조기에 식별하기.
• 비정형 임상 기록이 예측 가능성을 지닌 신호를 효과적이고 의미 있는 방식으로 추출할 수 있으며, 얕은 해석 가능한 신경망 아키텍처를 통해 이를 실현할 수 있음을 입증하기.

제안 방법

• 편향과 과적합을 줄이기 위해 이름, 숫자, 날짜, 구두점 등을 제거하여 퇴원 기록을 전처리하였다.
• 수동으로 식별한 섹션 헤더를 기반으로 패턴 매칭을 사용해 기록을 표준화된 섹션(예: 알레르기, 예후, 퇴원 상태 등)으로 분할하였다.
• 더 긴 기록은 잘라내고 짧은 기록은 'PADDING' 토큰으로 패딩하여 기록 길이를 700단어로 표준화하였다.
• 사전 학습된 스킵그램 word2vec를 사용해 초기화된 단어 임베딩을 활용한 1차원 컨volutional 신경망(1D-CNN)을 적용하였다.
• trigram 수준의 특징에 대해 최대 풀링을 수행하였으며, 각 풀링 노드는 입력 텍스트 내 특정 3단어 어휘 조합과 직접 연결되어 해석 가능성을 확보하였다.
• Keras를 사용해 텐서플로우 백엔드를 활용하고 RMSprop 옵티마이저를 적용하여 모델을 훈련하였으며, 최대 풀링 노드에 주목성 유사 가중치를 적용해 영향력 있는 어휘 조합을 식별하였다.

실험 결과

연구 질문

• RQ1 의사의 비정형 퇴원 기록에서의 텍스트로 30일 이내 병원 전반의 계획되지 않은 재입원을 임상적으로 의미 있는 성능으로 예측할 수 있는가?
• RQ2 임상 기록을 기반으로 훈련된 딥러닝 모델이 LACE와 같은 전통적 위험 점수와 비교해 유사하거나 더 뛰어난 예측 성능을 달성할 수 있는가?
• RQ3 신경망 모델을 얼마나 잘 해석 가능하게 만들 수 있는가? 이를 통해 임상의는 예측에 영향을 주는 특정 어휘 조합을 이해할 수 있는가?
• RQ4 예를 들어 예후 평가, 지속 중인 질환, 치료 결과 등 어떤 종류의 임상 정보가 모델의 학습 특징에서 가장 예측력 있고 식별 가능한가?
• RQ5 서술적 텍스트를 포함함으로써 정형 데이터(예: 인구통계학적 정보, 공존 질환, 이전 진료 기록 등)만을 고려한 경우에 비해 위험 예측 성능가 어떻게 향상되는가?

주요 결과

• 1D-CNN 모델은 테스트 데이터에서 30일 이내 병원 전반의 계획되지 않은 재입원 예측에 대해 c-statistic 값 0.70을 달성하였으며, LACE 특징을 사용한 로지스틱 회귀 모델(0.66)보다 뛰어난 성능을 보였다.
• LACE 특징과 결합했을 때도 모델의 예측 성능이 0.70을 유지하여, 서술적 텍스트가 정형 위험 점수 외부에서 독립적인 예측 가치를 지닌다는 것을 입증하였다.
• 의사의 악성 예후 평가, 지속 중인 질환, 시행된 절차, 약물군 별 범주 등 임상적으로 관련성이 높은 특징을 성공적으로 식별하였다.
• 각 최대 풀링 노드를 퇴원 기록 내 특정 trigram 어휘 조합과 연결함으로써 해석 가능성을 확보하여, 임상의가 실제 임상 언어로 예측 근거를 추적할 수 있도록 하였다.
• 정형 EMR 데이터에 기록되지 않은 요소—예를 들어 주관적인 임상 판단이나 기록되지 않은 지속 중인 상태—도 모델이 식별함으로써 서술적 텍스트의 고유한 가치를 입증하였다.
• 한계가 존재하지만, 모델의 성능은 비정형 임상 기록이 재입원 위험 예측에 있어 강력하고 실용적인 신호를 담고 있으며, 해석 가능한 딥러닝을 통해 효과적으로 추출 가능하다는 점을 시사한다.