[논문 리뷰] Deep Learning Prediction of Severe Health Risks for Pediatric COVID-19 Patients with a Large Feature Set in 2021 BARDA Data Challenge

Sajid Mahmud, Elham Soltanikazemi외 3명|PubMed|2022. 06. 03.

COVID-19 diagnosis using AI참고 문헌 10인용 수 4

한 줄 요약

이 연구는 소아 COVID-19 환자의 데이터를 대규모 백터화된 특징 표현 방식으로 표현한 딥러닝 모델을 제안하여 입원 및 중증 합병증 위험을 예측한다. 2021년 BARDA 데이터 챌린지 데이터셋으로 훈련된 이 모델은 전통적인 기계학습 방법을 뛰어넘어 종합적인 임상 특징을 활용해 고위험 소아 환자를 높은 정확도로 식별함을 입증하였다.

ABSTRACT

Most children infected with COVID-19 have no or mild symptoms and can recover automatically by themselves, but some pediatric COVID-19 patients need to be hospitalized or even to receive intensive medical care (e.g., invasive mechanical ventilation or cardiovascular support) to recover from the illnesses. Therefore, it is critical to predict the severe health risk that COVID-19 infection poses to children to provide precise and timely medical care for vulnerable pediatric COVID-19 patients. However, predicting the severe health risk for COVID-19 patients including children remains a significant challenge because many underlying medical factors affecting the risk are still largely unknown. In this work, instead of searching for a small number of most useful features to make prediction, we design a novel large-scale bag-of-words like method to represent various medical conditions and measurements of COVID-19 patients. After some simple feature filtering based on logistical regression, the large set of features is used with a deep learning method to predict both the hospitalization risk for COVID-19 infected children and the severe complication risk for the hospitalized pediatric COVID-19 patients. The method was trained and tested the datasets of the Biomedical Advanced Research and Development Authority (BARDA) Pediatric COVID-19 Data Challenge held from Sept. 15 to Dec. 17, 2021. The results show that the approach can rather accurately predict the risk of hospitalization and severe complication for pediatric COVID-19 patients and deep learning is more accurate than other machine learning methods.

연구 동기 및 목표

• 소아 COVID-19 환자 중 입원 또는 중증 합병증 위험이 있는 환자를 조기에 식별하는 것을 목적으로 한다.
• 소아 COVID-19 중증도에 영향을 주는 알 수 없는 또는 복잡한 기저 질환 요인을 다루는 데 목적이 있다.
• 제한된 사전 선택된 특징에 의존하지 않고 종합적인 특징 세트를 활용한 확장 가능한 데이터 기반 접근법을 개발하는 데 목적이 있다.
• 딥러닝 모델과 전통적인 기계학습 모델 간의 예측 성능을 비교하여 소아 환자에서 중증 결과를 예측하는 데 있어 성능을 평가하는 데 목적이 있다.

제안 방법

• 소아 환자로부터의 다양한 질환 및 검사 결과를 표현하기 위해 대규모의 백터화된 특징 표현 방식을 설계하였다.
• 노이즈를 줄이고 관련 특징을 유지하기 위해 로지스틱 회귀를 사용해 초기 특징 필터링을 수행하였다.
• 필터링된 특징 세트를 기반으로 딥러닝 모델을 훈련하여 입원 위험과 입원 환자 중 중증 합병증 위험을 예측하는 두 가지 결과를 도출하였다.
• 모델은 2021년 생물의학적 고급 연구 개발 기구(Biomedical Advanced Research and Development Authority, BARDA)의 소아 COVID-19 데이터 챌린지 데이터셋을 기반으로 평가되었다.
• 모델의 성능은 다양한 전통적인 기계학습 기준 모델과 비교되어 상대적 예측 정확도를 평가하였다.
• 수동적 특징 선택이 아닌 특징의 완전성과 표현 학습에 중점을 두었다.

실험 결과

연구 질문

• RQ1 종합적인 임상 특징 세트를 기반으로 훈련된 딥러닝 모델이 소아 COVID-19 환자에서 입원 위험을 정확하게 예측할 수 있는가?
• RQ2 딥러닝 모델의 성능가 전통적인 기계학습 모델에 비해 소아 COVID-19에서 중증 결과를 예측하는 데 어떻게 비교되는가?
• RQ3 대규모의 백터화된 특징 표현 방식이 기존 특징 설계 방식에 비해 예측 정확도를 얼마나 향상시키는가?
• RQ4 모델은 조기에 고위험 소아 환자를 식별하여 적절한 임상적 간섭을 조기에 가능하게 할 수 있는가?

주요 결과

• 딥러닝 모델은 소아 COVID-19 환자에서 입원 위험을 분류하는 데 있어 전통적인 기계학습 방법보다 높은 예측 정확도를 달성하였다.
• 로지스틱 회귀 기반 필터링을 통해 향상된 대규모 특징 세트는 모델의 일반화 능력과 성능을 향상시켰다.
• 백터화된 특징 표현 방식은 다양한 환자 데이터 간의 복잡한 임상 패턴을 효과적으로 포착하였다.
• 모델은 입원한 소아 환자에서 중증 합병증을 예측하는 데 뛰어난 성능을 보였다.
• 결과적으로 딥러닝은 소아 감염성 질환 결과에서 복잡하고 고차원적인 임상 데이터를 모델링하는 데 특히 적합하다는 것이 확인되었다.
• 이 연구는 종합적인 특징 표현 방식이 저유병률, 고영향도 의료 상황에서 예측 모델링 성능을 크게 향상시킨다는 점을 확인하였다.