[논문 리뷰] Deepr: A Convolutional Net for Medical Records

Phuoc Nguyen, Truyen Tran외 2명|arXiv (Cornell University)|2016. 07. 26.

Machine Learning in Healthcare참고 문헌 35인용 수 28

한 줄 요약

Deepr는 비정규적인 전자 의료 기록(EMR)을 시간 간격으로 분리된 임상 이벤트의 시퀀스로 변환하는 딥러닝 프레임워크로, 합성곱 신경망을 사용해 예측 가능한 국소 임상 모티프를 탐지하고 향후 건강 위험을 예측한다. 기존 방법보다 뛰어난 정확도를 달성하면서도 모티프 시각화를 통해 해석 가능한 위험 설명을 가능하게 한다.

ABSTRACT

Feature engineering remains a major bottleneck when creating predictive systems from electronic medical records. At present, an important missing element is detecting predictive regular clinical motifs from irregular episodic records. We present Deepr (short for Deep record), a new end-to-end deep learning system that learns to extract features from medical records and predicts future risk automatically. Deepr transforms a record into a sequence of discrete elements separated by coded time gaps and hospital transfers. On top of the sequence is a convolutional neural net that detects and combines predictive local clinical motifs to stratify the risk. Deepr permits transparent inspection and visualization of its inner working. We validate Deepr on hospital data to predict unplanned readmission after discharge. Deepr achieves superior accuracy compared to traditional techniques, detects meaningful clinical motifs, and uncovers the underlying structure of the disease and intervention space.

연구 동기 및 목표

• 전자 의료 기록(EMR)의 특징 공학 문제를 해결하기 위해, 이는 노력이 많이 들고 다양한 데이터 구조에 비적응적이다.
• 시간 간격과 병원 이동을 특수 토큰으로 인코딩하여 변동적인 방문 시기의 비정규적이고 시계열적인 의료 기록을 시퀀스 기반 표현으로 모델링한다.
• 수동적인 특징 공학 없이 원시 EMR 데이터에서 예측 가능한 임상 모티프를 자동으로 학습한다.
• 엔드 투 엔드 딥러닝 아키텍처를 통해 비계획적 재입원 위험 예측을 향상시킨다.
• 시각화된 임상 모티프와 주의 메커니즘을 통해 예측의 투명성과 해석 가능성을 제공한다.

제안 방법

• Deepr는 각 EMR을 진단, 절차 등의 이산적인 임상 이벤트로 구성된 가변 길이의 시퀀스로 표현하며, 시간 간격과 이동 표시를 코드화한 토큰으로 분리한다.
• 단어 임베딩을 사용하여 임상 이벤트와 시간 간격을 연속 공간 내의 조밀한 벡터 표현으로 매핑한다.
• 1D 합성곱 신경망(CNN)을 적용하여 시퀀스 내 국소 패턴(모티프)을 탐지한다. 예를 들어 반복되는 질환 진행 또는 치료 순서와 같은 패턴이다.
• 맥스 풀링을 사용하여 국소 모티프 특징을 전역 환자 표현 벡터로 집계한다.
• 전역 표현은 분류기로 전달되어 향후 위험, 예를 들어 6개월 이내 비계획적 재입원과 같은 것을 예측한다.
• 모든 구성 요소는 역전파를 사용해 엔드 투 엔드로 훈련되며, 특징 추출과 예측의 공동 최적화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 수동적인 특징 공학 없이 비정규적이고 시계열적인 EMR에서 의미 있는 임상 모티프를 딥러닝 모델이 자동으로 학습할 수 있는가?
• RQ2 시간 간격과 이동을 특수 토큰으로 모델링하면, 변동적인 방문 시기의 EMR에서 위험 예측 성능이 어떻게 향상되는가?
• RQ3 CNN 기반 아키텍처가 향후 건강 결과를 예측하는 데 효과적인 국소 임상 패턴을 탐지할 수 있는가?
• RQ4 Deepr는 비계획적 재입원 예측에서 기존의 백오브워즈 및 다른 딥러닝 베이스라인에 비해 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ5 Deepr의 내부 표현은 의미 있는 방식으로 시각화되고 해석될 수 있는가? 이를 통해 기저의 질환 및 치료 진행 패턴을 드러낼 수 있는가?

주요 결과

• Deepr는 30만 명의 환자로 구성된 데이터셋에서 기존의 백오브워즈 및 다른 딥러닝 베이스라인에 비해 비계획적 6개월 재입원 예측 정확도에서 뛰어난 성능을 보였다.
• 모델은 당뇨병에서 신부전으로의 공통된 질환 진행 순서나 치료 프로토콜과 같은 임상적으로 의미 있는 모티프를 성공적으로 탐지했다.
• Deepr는 질병 및 간병 공간의 기저 구조를 드러내어 환자의 궤적 내 잠재적 패턴을 규명했다.
• 시각화된 모티프 반응을 통해 투명하고 해석 가능한 예측을 가능하게 하여, 증거 기반의 임상 의사결정 지원에 기여한다.
• 짧은 기록(예: 한 번 또는 두 번의 방문)에서도 RNN 기반 모델인 DeepCare보다 뛰어난 성능을 보이며, 다양한 기록 길이에 대한 강건성을 입증했다.
• 이 프레임워크는 일반화되고 확장 가능하여 재입원 이외의 위험 예측 과제, 예를 들어 질병 발병 및 진행 예측 등에도 적용 가능하다.