[논문 리뷰] Sum of previous inpatient serum creatinine measurements predicts acute kidney injury in rehospitalized patients

Samuel J. Weisenthal, Haofu Liao외 2명|arXiv (Cornell University)|2017. 12. 05.

Acute Kidney Injury Research참고 문헌 8인용 수 4

한 줄 요약

이 연구는 재입원 환자에서 급성 신기능 장애(AKI)를 예측하기 위해 이전 입원 기간 동안의 혈청 크레아티닌(sCr) 측정치 합계를 사용하는 단순하면서도 효과적인 모델을 제안한다. sCr 합계를 처리하는 다층 퍼셉트론(MLP) 모델이 AUROC 0.92와 AUPRC 0.70로 가장 뛰어난 성능을 보였으며, 이는 이 맥락에서 복잡한 순환 구조보다도 단순하고 해석 가능한 특징이 슈퍼리어할 수 있음을 시사한다.

ABSTRACT

Acute Kidney Injury (AKI), the abrupt decline in kidney function due to temporary or permanent injury, is associated with increased mortality, morbidity, length of stay, and hospital cost. Sometimes, simple interventions such as medication review or hydration can prevent AKI. There is therefore interest in estimating risk of AKI at hospitalization. To gain insight into this task, we employ multilayer perceptron (MLP) and recurrent neural networks (RNNs) using serum creatinine (sCr) as a lone feature. We explore different feature input structures, including variable-length look-backs and a nested formulation for rehospitalized patients with previous sCr measurements. Experimental results show that the simplest model, MLP processing the sum of sCr, had best performance: AUROC 0.92 and AUPRC 0.70. Such a simple model could be easily integrated into an EHR. Preliminary results also suggest that inpatient data streams with missing outpatient measurements---common in the medical setting---might be best modeled with a tailored architecture.

연구 동기 및 목표

• 재입원 환자에서 급성 신기능 장애(AKI)를 예측하기 위한 실용적이고 해석 가능한 모델을 개발하기 위해 입원 중 혈청 크레아티닌(sCr) 데이터만을 사용하는 것.
• 이전 입원 기록에서의 종단적 sCr 기록이 알려진 이전 sCr 측정치를 가진 재입원 환자에서 AKI 예측 성능을 향상시킬 수 있는지 평가하기 위해.
• 다양한 입력 구조(변동 길이의 봉인 기간 및 병원 입원 간 중첩 시퀀스 포함)를 사용한 다양한 딥러닝 아키텍처—MLP 및 RNNs—를 비교하기 위해.
• 간단하고 특징 효율적인 모델이 전자 건강 기록(EHR) 시스템에 통합되어 임상 현장에서 사용 가능한지 평가하기 위해.
• 외래 진료 측정치가 누락된 입원 환자 데이터 스트림을 모델링하기 위해 맞춤형 아키텍처가 필요한지 탐색하기 위해.

제안 방법

• 모델은 입력으로 혈청 크레아티닌(sCr)만을 사용하며, 낮은 빈도와 무작위 발생으로 인해 결측치는 전방 보간 처리되었다.
• 세 가지 입력 구조가 평가되었다: MARKOV(각 입원 기간에서 기억 없음), CONCAT(측정치 연결), NEST(병원 입원 간 중첩 시퀀스).
• 교차 엔트로피 손실과 역전파를 통한 시간에 따른 백프로파게이션을 사용하여 다층 퍼셉트론(MLP)과 순환 신경망(RNN)을 학습시켰으며, 중첩 시퀀스에 대해 고유의 기울기 계산을 구현하였다.
• NEST 구조의 경우, 재입원에 특화된 파라미터 R을 사용하여 병원 입원 간 전이를 모델링하기 위해 계층적 RNN을 구현하였다.
• 측정 시간 단계와 병원 입원 시퀀스 모두에 걸쳐 네트워크를 펼쳐 기울기를 계산하여 엔드 투 엔드 학습을 가능하게 하였다.
• 모델 성능 평가에는 100회의 시험에서 다양한 은닉 유닛 수를 사용한 검증 세트에서 AUROC, AUPRC, 로그 손실을 사용하였다.

실험 결과

연구 질문

• RQ1 이전 입원 기간 동안의 혈청 크레아티닌(sCr) 측정치 합계가 재입원 환자에서 AKI를 예측하는 데 강력하고 단순한 예측자로 기능할 수 있는가?
• RQ2 sCr만을 사용하는 최소한의 모델이 동일한 입력을 사용하는 더 복잡한 RNN 아키텍처보다 성능이 뛰어나게 되는가?
• RQ3 MARKOV, CONCAT, NEST와 같은 다양한 입력 구조가 AKI 예측 성능에 어떤 영향을 미치는가?
• RQ4 외래 진료 측정치가 누락된 입원 환자 데이터 스트림을 모델링하기 위해 맞춤형 RNN 아키텍처가 필요한가?
• RQ5 간단하고 해석 가능한 모델이 실시간 AKI 위험 예측을 위해 EHR 시스템에 효과적으로 통합될 수 있는가?

주요 결과

• sCr 측정치 합계를 처리하는 다층 퍼셉트론(MLP) 모델이 가장 높은 AUROC 0.92와 AUPRC 0.70를 기록하여, 다른 모든 아키텍처와 입력 구조를 압도하였다.
• 가장 단순한 모델—sCr 합계—가 복잡한 RNN과 다른 입력 형식보다 뛰어난 성능을 보였으며, 이는 이 맥락에서 특징의 단순성이 일반화 능력을 향상시킬 수 있음을 시사한다.
• 계층적 RNN을 사용한 NEST 입력 구조는 전망이 있었지만, sCr 기반의 MLP 성능을 넘어서지는 못했으며, 이는 이 작업에 대해 중첩 시퀀스 모델링이 필수적이지 않음을 시사한다.
• 초기 결과에 따르면, 외래 진료 측정치가 누락된 입원 환자 데이터 스트림은 특수화된 아키텍처의 이점을 얻을 수 있으나, 이는 향후 추가 연구가 필요하다.
• 이 연구는 sCr 합계를 기반으로 한 최소한의 해석 가능한 모델이 임상 의사결정 지원을 위해 EHR 시스템에 효과적으로 통합 가능하며 매우 효과적임을 확인하였다.
• 모델의 높은 AUROC 0.92는 재입원 환자 중 AKI 위험이 있는 환자를 식별하는 데 강력한 분류 능력을 지녔음을 시사하며, 이는 조기 예방 조치를 취하는 데 기여할 수 있다.