[논문 리뷰] Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units

Fernando Andreotti, Frank S. Heldt외 9명|arXiv (Cornell University)|2020. 07. 16.

Machine Learning in Healthcare인용 수 7

한 줄 요약

이 연구는 다중 시간 범위에서 종단적 전자 건강 기록(EHR)을 바탕으로 뇌경색과 심근경색 발병을 예측하기 위해 주의 메커니즘을 통합한 다중 작업 게이트드 순환단위(MT-GRU)를 제안한다. 모델은 QRISK 및 기준 기반 기계학습 모델을 능가하며, 12개월 예측 시점에서 뇌경색의 AUC가 0.85, 심근경색의 AUC가 0.89를 기록했고, 다중 작업 학습을 통해 단기 예측 성능이 크게 향상되었다.

ABSTRACT

In this work, we propose a multi-task recurrent neural network with attention mechanism for predicting cardiovascular events from electronic health records (EHRs) at different time horizons. The proposed approach is compared to a standard clinical risk predictor (QRISK) and machine learning alternatives using 5-year data from a NHS Foundation Trust. The proposed model outperforms standard clinical risk scores in predicting stroke (AUC=0.85) and myocardial infarction (AUC=0.89), considering the largest time horizon. Benefit of using an \\gls{mt} setting becomes visible for very short time horizons, which results in an AUC increase between 2-6%. Further, we explored the importance of individual features and attention weights in predicting cardiovascular events. Our results indicate that the recurrent neural network approach benefits from the hospital longitudinal information and demonstrates how machine learning techniques can be applied to secondary care.

연구 동기 및 목표

• 기본 임상 위험 점수를 초월해 종단적 EHR 데이터를 활용해 심혈관질환(CVD) 발병을 향상시키는 예측을 위한 목표.
• 다양한 시간 범위(1개월에서 12개월 이상)에서 CVD 위험을 모델링하는 다중 작업 학습의 성능 평가.
• 기존 위험 요소를 초월해 진단, 검사 결과, 혈압, 약물, 절차 등의 다양한 EHR 모odalities 기여도 평가.
• 특징 기여도와 주의 가중치를 활용해 모델 결정을 해석하고 임상적으로 관련성이 있는 과거 관찰 사항을 규명하는 것.

제안 방법

• 다중 시간 범위에서 뇌경색과 심근경색(MI) 발병을 동시에 예측하기 위해 다중 작업 게이트드 순환단위(MT-GRU)를 훈련한다.
• 환자의 EHR 역사를 기반으로 다양한 관찰 일자의 중요도를 동적으로 가중하기 위해 주의 메커니즘을 MT-GRU에 통합한다.
• EHR 데이터는 연속 변수의 중앙값, 중앙편차절대값, 관찰 횟수, 비정상성 플래그를 포함한 일일 특징 벡터로 표현된다.
• 이질적인 EHR 모달리티를 처리한다: ICD-10 진단 코드, OPCS-4 절차 코드, BNF 약물 코드, LIMS 검사 결과, 혈압 및 기타 생체 정보, 인구통계학적 데이터.
• 모델 예측을 해석하고 영향력 있는 특징 및 과거 시간 포인트를 규명하기 위해 순열 특징 기여도와 주의 가중치를 사용한다.
• 모델 성능은 여러 시간 범위에서 AUC를 사용해 평가되며, QRISK2 및 기준 기반 기계학습 모델과의 비교를 포함한다.

실험 결과

연구 질문

• RQ1 주목적 메커니즘을 통합한 다중 작업 RNN은 기존 임상 위험 점수에 비해 다양한 시간 범위에서 뇌경색 및 심근경렬 발병 예측 정확도를 향상시키는가?
• RQ2 특히 검사 결과와 혈압 정보를 포함한 다양한 EHR 모달리티가 기존 위험 요소를 초월해 예측 성능에 기여하는가?
• RQ3 다중 작업 학습은 특히 데이터가 적은 단기 예측에서 성능 향상을 이끌어내는가?
• RQ4 주의 가중치와 특징 기여도를 통해 모델의 예측 결정에 가장 영향을 미친 과거 EHR 관찰 및 특징은 무엇인가?

주요 결과

• MT-Att-GRU 모델은 12개월 예측 시점에서 심근경렬의 AUC가 0.89, 뇌경색의 AUC가 0.85를 기록했으며, QRISK 및 기준 모델을 능가했다.
• 다중 작업 학습은 매우 짧은 시간 범위(예: 1개월)에서 2–6%의 AUC 향상을 제공했으며, 데이터가 적은 환경에서의 이점이 입증되었다.
• 모델은 진단 및 절차 코드가 매우 중요한 예측 변수로 규명되었으며, 추가로 검사 결과와 혈압 정보도 기여도가 높았다.
• 주의 가중치는 최근 데이터뿐만 아니라 이전에 중요한 관찰 일자에도 초점을 맞추고 있음을 드러냈다.
• 순열 특징 기여도는 연령, 수축기 혈압, 체질량지수(BMI), 콜레스테롤 수치가 가장 영향력 있는 특징임을 확인했으며, 임상 기준과 일치했다.
• 주의 메커니즘은 기준 MT-GRU 대비 AUC에 유의미한 향상을 제공하지 않았지만, 시간적 결정 과정에 대한 해석 가능한 통찰을 제공했다.