[論文レビュー] Doctor AI: Predicting Clinical Events via Recurrent Neural Networks

Edward Choi, Mohammad Taha Bahadori+3 more|arXiv (Cornell University)|Nov 18, 2015

Machine Learning in Healthcare参考文献 56被引用数 252

ひとこと要約

Doctor AI は、縦断的電子歴史記録（EHR）データから時間的表現を学習し、複数回の患者訪問にわたる将来の診断および処方薬の注文を予測する、再帰的ニューラルネットワーク（RNN）ベースのモデルである。微分診断予測において79.58%のrecall@30を達成し、顕著な精度の低下を伴わずに医療機関間で高い移植性を示した。

ABSTRACT

Leveraging large historical data in electronic health record (EHR), we developed Doctor AI, a generic predictive model that covers observed medical conditions and medication uses. Doctor AI is a temporal model using recurrent neural networks (RNN) and was developed and applied to longitudinal time stamped EHR data from 260K patients over 8 years. Encounter records (e.g. diagnosis codes, medication codes or procedure codes) were input to RNN to predict (all) the diagnosis and medication categories for a subsequent visit. Doctor AI assesses the history of patients to make multilabel predictions (one label for each diagnosis or medication category). Based on separate blind test set evaluation, Doctor AI can perform differential diagnosis with up to 79% recall@30, significantly higher than several baselines. Moreover, we demonstrate great generalizability of Doctor AI by adapting the resulting models from one institution to another without losing substantial accuracy.

研究の動機と目的

• 縦断的 EHR データを用いて、臨床イベントを予測する汎用的かつスケーラブルな予測モデルの開発を目的とする。
• 多様で予期せぬ臨床的状況における、多ラベル診断および処方薬注文の予測という課題に取り組む。
• 大規模な機関からの転移学習を活用することで、データが少ない状況での予測性能を向上させる。
• 異なる医療システムおよび患者集団における一般化能力を評価する。
• 専門家による検証を通じて、モデルの予測の臨床的意義および解釈可能性を評価する。

提案手法

• モデルは、各訪問を ICD-9 診断および処方薬コードで表す、2層の長短期記憶（LSTM）ネットワークを用いて、順序付き EHR 訪問を符号化する。
• 次の訪問におけるすべての可能な診断および処方薬カテゴリーの確率分布を出力することで、多ラベル予測を実行する。
• 収束速度および予測精度の向上を図るため、EHR 訪問シーケンス上で事前学習された Skip-gram 嵪合を用いて RNN を初期化する。
• Sutter Health の大規模データセットで事前学習し、MIMIC-II のような他の機関の小さなデータセットで微調整することで、知識の転送を実現する。
• 時間の刻みなしにタイムスタンプ付きの訪問シーケンスを処理することで、時間的分解能を保持し、訪問のタイミングの予測を可能にする。
• 多ラベル分類には交差エントロピー損失、訪問タイミング予測には平均二乗誤差を用いて、エンドツーエンドでモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 RNN ベースのモデルは、縦断的 EHR データから患者の経過を効果的に学習し、将来の診断および処方薬注文を予測できるか？
• RQ2 患者の訪問頻度および医療コードのレアリティに応じて、モデルの性能はどのように変化するか？
• RQ3 1つの医療システムで事前学習したモデルを、性能の著しい低下を最小限に抑えて、別の医療機関に適応できるか？
• RQ4 Skip-gram 嵪合による事前学習は、RNN の学習速度および予測精度を向上させるか？
• RQ5 モデルの予測は臨床的に意味があり、人間の医師の推論と同等のものとなるか？

主な発見

• Doctor AI は多ラベル診断予測において 79.58% の recall@30 を達成し、複数のベースラインモデルを顕著に上回った。
• 患者の履歴が長いほど性能が向上し、訪問回数が増えるにつれて recall@30 が上昇した。これは、慢性疾患や複雑な状態のモデリングがより良くなっていることを示している。
• モデルは優れた一般化性能を示した。Sutter Health から MIMIC-II への転移学習により、小さなデータセットでも性能が 10% 以上向上した。
• 頻繁に訪問する患者（例：高コモorbidity負担）は予測が容易であったが、Klinefelter 症候群のようなレアな疾患は、多様で頻繁に観察される予測を生じさせた。
• Skip-gram 嵪合による事前学習により、学習速度および最終的なモデルの正確性が向上し、特にデータが少ない環境で顕著であった。
• 医療専門家が、Doctor AI の予測が臨床的に意味があり、平均的な医師の診断行動を模倣していると確認した。