[논문 리뷰] Processing of Electronic Health Records using Deep Learning: A review

Venet Osmani, Li Li외 4명|arXiv (Cornell University)|2018. 04. 05.

Machine Learning in Healthcare참고 문헌 52인용 수 5

한 줄 요약

이 리뷰는 전자 건강 기록(EHR) 처리 분야에서의 딥러닝 응용을 탐구하며, 자연어 처리, 표현 학습, 예측 모델링에 중점을 둡니다. RNN, 오토에인코드어, 어텐션 메커니즘과 같은 기법들을 종합하여 임상 예측, 표현형 분류, 위험 분류 향상에 기여하며, 다양한 의료 과제에서 정확도와 일반화 능력 향상에 뚜렷한 성과를 보여줍니다.

ABSTRACT

Availability of large amount of clinical data is opening up new research avenues in a number of fields. An exciting field in this respect is healthcare, where secondary use of healthcare data is beginning to revolutionize healthcare. Except for availability of Big Data, both medical data from healthcare institutions (such as EMR data) and data generated from health and wellbeing devices (such as personal trackers), a significant contribution to this trend is also being made by recent advances on machine learning, specifically deep learning algorithms.

연구 동기 및 목표

• 전자 건강 기록(EHR)을 위한 임상 데이터 처리에 적용된 딥러닝 기법을 체계적으로 검토하는 것.
• EHR 데이터의 노이즈, 희소성, 이질성과 같은 핵심 과제를 파악하고, 딥러닝이 이를 어떻게 해결하는지 규명하는 것.
• 伝통적 방법과 비교하여 딥러닝 모델이 임상 예측, 표현형 분류, 위험 모델링 분야에서 보이는 성능을 평가하는 것.
• EHR 분석 분야에서의 새로운 추세와 향후 연구 방향을 부각하는 것.
• 최신 EHR 응용 분야에서 사용된 아키텍처, 데이터 전처리, 평가 지표에 대한 종합적인 개요를 제공하는 것.

제안 방법

• 장기 기억 네트워크(LSTM)와 게이트드 순환 단위(GRU)를 포함한 순환 신경망(RNN)을 활용하여 종단적 EHR 데이터의 순차적 모델링을 수행하는 것.
• 저차원이면서 의미 있는 EHR 데이터 표현을 학습하기 위해 오토에인코드어와 변동형 오토에인코드어(VAE)를 사용하는 것.
• 모델의 해석 가능성 향상과 임상적으로 관련 있는 시간 패턴에 집중하기 위해 어텐션 메커니즘과 트랜스포머를 활용하는 것.
• 임상 노트, 검사 결과, 청구 코드 등의 다중모달 데이터를 임bedding 기법과 조기/후기 융합 전략을 통해 통합하는 것.
• 큰 규모의 EHR 어휘집에서의 전이 학습 및 미세조정을 통해 자원이 제한된 임상 과제에서의 성능 향상을 도모하는 것.
• EHR 기반 지식 그래프에서 환자, 질환, 치료 간의 관계를 모델링하기 위해 그래프 신경망(GNN)을 도입하는 것.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 EHR 데이터를 활용해 패혈증 및 사망 위험 예측과 같은 임상 예측 과제에서 어떻게 성능을 향상시키는가?
• RQ2 시간적이고 이질적인 EHR 데이터를 모델링하는 데 가장 효과적인 딥러닝 아키텍처는 무엇인가?
• RQ3 원시 EHR 데이터로부터의 표현 학습은 표현형 분류 및 진단과 같은 후속 임상 과제의 성능 향상에 얼마나 기여하는가?
• RQ4 어텐션 메커니즘과 해석 가능한 인공지능 기법은 EHR 기반 딥러닝 모델의 해석 가능성에 어떻게 기여하는가?
• RQ5 실제 EHR 시스템에 딥러닝을 적용할 때의 주요 제약 조건과 과제는 무엇이며, 이를 어떻게 해결하고 있는가?

주요 결과

• 특히 RNN과 트랜스포머를 활용한 딥러닝 모델은 기존 기계학습 방법보다 패혈증 및 사망 예측과 같은 환자 결과 예측 과제에서 뛰어난 성능을 보이며, 수확률 곡선 아래 면적(AUC)에서 최대 10–15% 향상되는 결과를 보였다.
• 오토에인코드어와 VAE는 EHR 데이터의 압축되고 의미 있는 표현을 효과적으로 학습하여, 데이터가 적은 환경에서의 성능 향상과 더 나아가 일반화 능력 향상에 기여한다.
• 어텐션 메커니즘이 종단적 기록 내 임상적으로 관련 있는 시간 지점과 특징을 강조함으로써 모델의 해석 가능성에 상당한 기여를 한다.
• 텍스트, 코드, 검사 데이터를 융합하는 다중모달 융합 전략은 다양한 EHR 과제에서 일관되게 예측 성능 향상을 이끌어낸다.
• 큰 EHR 어휘집에서의 전이 학습 및 미세조정은 특히 희귀 질환 예측 및 자원이 제한된 환경에서 뚜렷한 성능 향상을 이끌어낸다.
• 강력한 성능에도 불구하고, 데이터 편향, 누락 데이터, EHR 시스템의 표준화 부족 등으로 인해 모델의 강건성, 공정성, 임상 현장 적용에 대한 과제가 여전히 남아 있다.