[논문 리뷰] Temporal Pattern Discovery for Accurate Sepsis Diagnosis in ICU Patients

Eitam Sheetrit, Nir Nissim외 4명|arXiv (Cornell University)|2017. 09. 06.

Time Series Analysis and Forecasting참고 문헌 27인용 수 8

한 줄 요약

이 논문은 지식 기반 시간 추상화와 시간 간격 마이닝을 사용하여 ICU 생체 신호 및 검사 데이터에서 반복적인 간격 기반 패턴을 발견하는 시간 패턴 탐색 방법을 제안한다. 2,560건의 MIMIC-III 사례를 분석한 결과, 패혈증 환자는 패혈증 발병 6~12시간 전에 비패혈증 환자와 유의하게 다른 시간 패턴을 보이며, 이러한 패턴을 예측 특징으로 활용해 조기 진단이 가능하다.

ABSTRACT

Sepsis is a condition caused by the body's overwhelming and life-threatening response to infection, which can lead to tissue damage, organ failure, and finally death. Common signs and symptoms include fever, increased heart rate, increased breathing rate, and confusion. Sepsis is difficult to predict, diagnose, and treat. Patients who develop sepsis have an increased risk of complications and death and face higher health care costs and longer hospitalization. Today, sepsis is one of the leading causes of mortality among populations in intensive care units (ICUs). In this paper, we look at the problem of early detection of sepsis by using temporal data mining. We focus on the use of knowledge-based temporal abstraction to create meaningful interval-based abstractions, and on time-interval mining to discover frequent interval-based patterns. We used 2,560 cases derived from the MIMIC-III database. We found that the distribution of the temporal patterns whose frequency is above 10% discovered in the records of septic patients during the last 6 and 12 hours before onset of sepsis is significantly different from that distribution within a similar period, during an equivalent time window during hospitalization, in the records of non-septic patients. This discovery is encouraging for the purpose of performing an early diagnosis of sepsis using the discovered patterns as constructed features.

연구 동기 및 목표

• 조기 패혈증 진단이 어려워져 사망률이 증가하는 ICU 환자에서 조기 패혈증 탐지 문제를 해결하기 위해.
• 패혈증 발병 전에 나타나는 종단적 ICU 데이터에서 임상적으로 의미 있는 시간 패턴을 식별하기 위해.
• 시간 추상화와 간격 마이닝을 활용해 원시 시간 시리즈 데이터를 해석 가능한 패턴 기반 특징으로 변환하기 위해.
• 패혈증 환자와 비패혈증 환자 간 동일한 발병 전 윈도우에서 시간 패턴의 분포에 유의미한 차이가 있는지 평가하기 위해.
• 발견된 패턴을 기반으로 데이터 기반, 조기 패혈증 진단 시스템을 개발하기 위한 기반을 마련하기 위해.

제안 방법

• 원시 ICU 시간 시리즈 데이터를 임상적으로 의미 있는 간격(예: '심박수 상승' 또는 '수축기 혈압 저하' 지속 시간)으로 변환하기 위해 지식 기반 시간 추상화를 적용하였다.
• 환자 기록 간에 반복적으로 나타나는 이러한 간격 기반 추상화의 빈도 높은 패턴을 발견하기 위해 시간 간격 마이닝을 사용하였다.
• 패혈증 발병 전 6~12시간에 초점을 맞춰 패혈증 발생을 예측할 수 있는 패턴을 식별하였다.
• 유사한 병원 입원 전 윈도우에서 패혈증 환자와 비패혈증 환자 간에 발견된 패턴의 빈도 분포를 비교하였다.
• 학습 및 평가에 사용하기 위해 2,560건의 ICU 환자 사례가 포함된 MIMIC-III 데이터베이스를 활용하였다.
• 패혈증 환자 군과 비패혈증 환자 군 간의 패턴 분포 유의성 차이를 평가하기 위해 통계적 검정을 실시하였다.

실험 결과

연구 질문

• RQ1 패혈증 발병 전 6~12시간 동안 수집된 ICU 데이터의 시간 패턴은 패혈증 환자와 비패혈증 환자를 구분할 수 있는가?
• RQ2 생체 신호와 검사 값에 대해 빈도가 높고 간격 기반의 패턴이 패혈증 환자에서 진단 이전에 유의하게 더 흔한가?
• RQ3 지식 기반 시간 추상화는 원시 임상 시간 시리즈 데이터를 패턴 탐색에 적합한 임상적으로 해석 가능한 특징으로 효과적으로 변환할 수 있는가?
• RQ4 유사한 시간 윈도우에서 패혈증 환자와 비패혈증 환자 간에 발견된 시간 패턴의 분포에 유의미한 차이가 있는가?
• RQ5 발견된 패턴은 ICU 환경에서 조기 패혈증 진단을 위한 강력한 특징으로 활용될 수 있는가?

주요 결과

• 빈도가 10% 이상인 시간 패턴의 분포는 패혈증 발병 전 6~12시간 동안 패혈증 환자에서 비패혈증 환자와 유의하게 다르게 나타났다.
• 연구에서는 진단 이전에 일관되게 나타나는 빈도 높은 간격 기반 패턴 집합을 식별하였으며, 이는 예측 가능성을 시사한다.
• 패턴 분포의 차이는 통계적으로 유의미했으며, 이러한 패턴이 진단 특징으로서 잠재력을 지닌다는 것을 뒷받침한다.
• 지식 기반 규칙를 활용해 원시 ICU 데이터를 성공적으로 임상적으로 해석 가능한 시간 추상화로 변환하였다.
• 결과적으로 시간 패턴 마이닝은 원시 데이터만으로는 드러나지 않는 미세한 조기 패혈증 징후를 드러낼 수 있음을 입증하였다.
• 이 방법은 시간 패턴 특징을 활용해 해석 가능하고 데이터 기반의 패혈증 예측 모델을 구축하기 위한 기반을 제공한다.