[논문 리뷰] Using Latent Class Analysis to Identify ARDS Sub-phenotypes for Enhanced Machine Learning Predictive Performance

Tony Wang, Tim Tschampel외 2명|arXiv (Cornell University)|2019. 03. 28.

Machine Learning in Healthcare참고 문헌 19인용 수 4

한 줄 요약

이 연구는 MIMIC-III 집중치료실 데이터에서 잠재 클래스 분석(LCA)을 사용하여 세 가지 구분되는 ARDS 유형을 식별하여 사망 예측의 기계학습 성능을 향상시켰다. 각 유형에 대해 별도의 모델을 훈련시킨 결과, 가장 높은 사망률을 보이는 집단에서 AUC가 0.986에 도달하였으며, 이는 전반적인 이질적인 ARDS 환자 집단에 대해 훈련된 모델보다 유의하게 뛰어났다.

ABSTRACT

In this work, we utilize Machine Learning for early recognition of patients at high risk of acute respiratory distress syndrome (ARDS), which is critical for successful prevention strategies for this devastating syndrome. The difficulty in early ARDS recognition stems from its complex and heterogenous nature. In this study, we integrate knowledge of the heterogeneity of ARDS patients into predictive model building. Using MIMIC-III data, we first apply latent class analysis (LCA) to identify homogeneous sub-groups in the ARDS population, and then build predictive models on the partitioned data. The results indicate that significantly improved performances of prediction can be obtained for two of the three identified sub-phenotypes of ARDS. Experiments suggests that identifying sub-phenotypes is beneficial for building predictive model for ARDS.

연구 동기 및 목표

• 임상적 이질성으로 인한 ARDS의 낮은 예측 성능 문제를 해결한다.
• ARDS 환자를 생물학적으로 일관된 유형으로 분할하면 기계학습 모델의 성능이 향상되는지 조사한다.
• 잠재 클래스 분석(LCA)을 사용하여 혈액검사, 생명체징후, 기저질환 등의 임상 변수를 바탕으로 균일한 하위군을 식별한다.
• 유형별 하위군에 대해 훈련된 모델의 예측 성능를 전체 ARDS 집단에 대해 훈련된 모델과 비교한다.
• 유형별 특화 모델이 사망 예측에 대해 더 높은 분류 능력(AUC)과 보다 정확한 校정( calibration)을 제공하는지 평가한다.

제안 방법

• MIMIC-III 집중치료실 데이터에 잠재 클래스 분석(LCA)을 적용하여 PaO2/FiO2, PEEP, 락트산, 비루빈, 크레아티닌, 백혈구 수, 기저질환 등을 포함한 임상 변수를 바탕으로 세 가지 구분되는 ARDS 유형을 식별한다.
• 베를린 기준을 사용하여 ARDS 발병 시점을 정의하고, 발병 후 24시간 이내의 임상 특징(예: 평균 탄산수소염 농도, 평균 기저압, 최소 수축기 혈압, 최대 심박수)을 추출한다.
• LCA로 식별된 각 유형에 대해 기울기 부스팅 머신(GBM) 및 랜덤 포레스트 모델을 별도로 훈련시어 예측 성능를 평가한다.
• 부트스트래핑을 사용한 신뢰구간을 포함하여 AUC, 민감도, 특이도, 양성 예측도 및 음성 예측도, 정확도를 사용해 모델 성능를 평가한다.
• 유형별 모델의 AUC를 전체 ARDS 집단에 대해 훈련된 기준 모델과 비교한다.
• AUC의 유의미한 차이를 평가하기 위해 통계적 검정(p-값)을 사용한다.

실험 결과

연구 질문

• RQ1 잠재 클래스 분석은 이질적인 ARDS 환자 집단 내에서 생물학적으로 의미 있는 하위유형을 효과적으로 식별할 수 있는가?
• RQ2 LCA로 식별된 하위유형에 대해 기계학습 모델을 훈련시키면 전체 ARDS 집단에 대해 훈련된 모델보다 ARDS 사망 예측 성능가 향상되는가?
• RQ3 어느 ARDS 하위유형이 가장 높은 사망률과 가장 심각한 임상 지표를 보이며, 이를 신뢰성 있게 예측할 수 있는가?
• RQ4 통합 모델 대비 하위유형 특화 모델을 사용할 때 AUC 및 기타 성능 지표에서의 상대적 향상은 어느 정도인가?
• RQ5 식별된 하위유형 간에 핵심 임상 변수(예: 비루빈, 크레아티닌, PaO2/FiO2)의 분포는 어떻게 다른가?

주요 결과

• 잠재 클래스 분석은 임상적 특성과 사망률가 다른 세 가지의 구분되는 ARDS 하위유형을 식별하였으며, 유형 2가 가장 높은 사망률(48%)을 보였다.
• 비루빈, 크레아티닌, 혈소판 감소, 저수축기 혈압이 특징인 유형 2는 GBM 모델을 사용하여 AUC가 0.986를 기록하였으며, 전체 모델(AUC 0.904)보다 유의미하게 뛰어났다.
• 유형 1은 GBM 모델을 사용하여 AUC가 0.983를 기록하였으며, 전체 모델보다도 유의미하게 높았다(p < 0.0001).
• 유형 3는 다소의 향상만을 보였으며, AUC가 0.909로 전체 모델과 유의미한 차이가 없었다(p = 0.6538).
• 유형별 특화 모델은 거의 완벽한 음성 예측도(1.000)와 높은 민감도(유형 1의 경우 1.000)를 달성하여 비사건을 효과적으로 배제할 수 있는 능력을 보였다.
• 이 연구는 LCA를 통해 ARDS의 이질성을 고려함으로써 기계학습 예측 성능가 크게 향상되며, 특히 고사망률 하위집단에서 두드러진 성과를 거두었다.