[논문 리뷰] Understanding Heart-Failure Patients EHR Clinical Features via SHAP Interpretation of Tree-Based Machine Learning Model Predictions

Shuyu Lu, Ruoyu Chen외 2명|PubMed|2021. 03. 20.

Machine Learning in Healthcare참고 문헌 25인용 수 36

한 줄 요약

본 연구는 XGBoost를 사용하여 구조화된 EHR 데이터에서 좌심실 EF를 예측하고 특성 해석에 SHAP를 사용한 다음 SHAP 기반 t-SNE 클러스터링으로 HF 하위 유형을 식별한다.

ABSTRACT

Heart failure (HF) is a major cause of mortality. Accurately monitoring HF progress and adjusting therapies are critical for improving patient outcomes. An experienced cardiologist can make accurate HF stage diagnoses based on combination of symptoms, signs, and lab results from the electronic health records (EHR) of a patient, without directly measuring heart function. We examined whether machine learning models, more specifically the XGBoost model, can accurately predict patient stage based on EHR, and we further applied the SHapley Additive exPlanations (SHAP) framework to identify informative features and their interpretations. Our results indicate that based on structured data from EHR, our models could predict patients' ejection fraction (EF) scores with moderate accuracy. SHAP analyses identified informative features and revealed potential clinical subtypes of HF. Our findings provide insights on how to design computing systems to accurately monitor disease progression of HF patients through continuously mining patients' EHR data.

연구 동기 및 목표

• 지속적인 EHR 채굴이 HF 질환 진행을 어떻게 모니터링할 수 있는지 동기를 부여한다.
• 트리 기반 모델을 사용하여 구조화된 EHR 데이터로 EF 점수를 예측하는 것이 가능한지 평가한다.
• 정보력 있는 EHR 특징을 식별하고 SHAP로 EF 예측에 미치는 영향을 해석한다.
• SHAP로 도출된 특징 기여도를 군집화하여 HF 환자 하위 유형을 탐색한다.

제안 방법

• 60,835명의 HF 진단 환자에서 파생된 1894개의 구조화된 EHR 특징으로 EF 점수를 예측하기 위해 XGBoost 회귀 모델을 훈련한다.
• 높은 빈도 사용 특징을 필터링하고 분위수 경계 내에서 숫자 값을 정규화하여 데이터를 전처리한다.
• 5-폴드 교차검증과 GridSearchCV를 사용하여 XGBoost의 하이퍼파라미터를 조정한다.
• SHAP를 적용하여 사례별 EF 예측에 대한 특징 기여도를 계산하고 전역 및 로컬 설명을 생성한다.
• SHAP 요약 및 산점도로 특징 영향력을 시각화하고 XGBoost 특징 중요도(커버리지)와 비교한다.
• SHAP 값에 대한 t-SNE를 사용하여 특징 기여도(SHAP space)에 기반한 HF 하위 유형을 식별한다.

실험 결과

연구 질문

• RQ1 구조화된 EHR 데이터에서 XGBoost를 사용해 EF 점수를 정확하게 예측할 수 있는가?
• RQ2 SHAP로 해석할 때 어떤 EHR 특징이 EF 예측에 가장 큰 영향을 미치는가?
• RQ3 SHAP 기반 표현이 임상적으로 의미 있는 HF 환자 하위군을 드러내는가?
• RQ4 성별, 혈압, 심근병증 진단이 EF 예측에 어떻게 기여하는가?

주요 결과

• XGBoost는 검증에서 RMSE 12.6303 (95% CI) 및 R^2 = 0.2619 (p < 10^-32)을 달성했다.
• SHAP는 성별, BP, BMI, 및 심근병증 관련 진단이 EF 예측에 정보력 있는 특징임을 확인한다.
• SHAP 공간 클러스터링은 원래 특징 공간에서 분명하지 않았던 HF 하위 유형을 밝혀내고 성별이 주요 구분 요소로 부상한다.
• SHAP/모델 해석에서 여환자는 남성보다 대략 5% 높은 EF를 가지는 경향이 있다.
• 수축기 및 이완기 혈압 값은 SHAP 영향력이 크지만 EF 예측에 서로 반대 방향으로 작용한다.
• SHAP 기반 분석에서 승모판 역류의 존재는 더 낮은 EF 하위군과 일치한다.