[論文レビュー] Early detection of sepsis utilizing deep learning on electronic health record event sequences

Simon Meyer Lauritsen, Mads Ellersgaard Kalør+5 more|arXiv (Cornell University)|Jun 7, 2019

Sepsis Diagnosis and Treatment参考文献 20被引用数 19

ひとこと要約

本研究では、多様な病院部門における生の電子的健康記録（EHR）イベント系列から、早期に敗血症を検出するため、畳み込みニューラルネットワーク（CNN）と長短期記憶（LSTM）ネットワークを組み合わせた深層学習モデルを提案する。このモデルは、敗血症発症の3時間前においてAUROCスコア0.856を達成し、依然として抗生物質投与や血液培養が行われていない患者を特定でき、早期臨床介入を可能にする。

ABSTRACT

The timeliness of detection of a sepsis event in progress is a crucial factor in the outcome for the patient. Machine learning models built from data in electronic health records can be used as an effective tool for improving this timeliness, but so far the potential for clinical implementations has been largely limited to studies in intensive care units. This study will employ a richer data set that will expand the applicability of these models beyond intensive care units. Furthermore, we will circumvent several important limitations that have been found in the literature: 1) Models are evaluated shortly before sepsis onset without considering interventions already initiated. 2) Machine learning models are built on a restricted set of clinical parameters, which are not necessarily measured in all departments. 3) Model performance is limited by current knowledge of sepsis, as feature interactions and time dependencies are hardcoded into the model. In this study, we present a model to overcome these shortcomings using a deep learning approach on a diverse multicenter data set. We used retrospective data from multiple Danish hospitals over a seven-year period. Our sepsis detection system is constructed as a combination of a convolutional neural network and a long short-term memory network. We suggest a retrospective assessment of interventions by looking at intravenous antibiotics and blood cultures preceding the prediction time. Results show performance ranging from AUROC 0.856 (3 hours before sepsis onset) to AUROC 0.756 (24 hours before sepsis onset). We present a deep learning system for early detection of sepsis that is able to learn characteristics of the key factors and interactions from the raw event sequence data itself, without relying on a labor-intensive feature extraction work.

研究の動機と目的

• 多様なEHRデータを用いて、集中治療室を越えたスケーラブルな深層学習システムによる敗血症の早期検出を開発すること。
• 従来のモデルの限界、すなわち特定の臨床パラメータに依存することや欠損データの処理が不十分であることへの対処。
• 臨床的介入を考慮した現実的で後向きの逐次的評価を用いて、モデルの性能を評価すること。
• 抗生物質投与や血液培養などの主要な介入の前に検出が行われるかを評価することで、臨床的有用性を検証すること。
• 生のEHRイベント系列から直接表現を学習することで、手動による特徴工学の依存を減らすこと。

提案手法

• モデルは、局所的なパターン抽出に1次元畳み込みニューラルネットワーク（CNN）を、時系列的依存性のモデル化に長短期記憶（LSTM）ネットワークを組み合わせたハイブリッドアーキテクチャを採用している。
• デンマークの4つの自治体（2010–2017年）のEHRデータが使用され、生化学的検査、薬剤、微生物学的検査、画像診断、管理データが時系列順のイベント系列として表現された。
• クラスの不均衡に対処するため、クラス重みを用いた損失関数が使用され、陽性サンプルは10倍オーバーサンプリングされ、陰性サンプルは1:5の比率を維持するようにサンプリングされた。
• 独創的な後向き評価手法が導入され、予測時刻より前に介入（例：静脈内抗生物質投与、血液培養）が開始済みかどうかを評価した。
• 特徴工学は最小限に抑えられ、事前に定義された臨床的特徴を必要とせず、生のイベント系列から直接関連するパターンと相互作用を学習した。
• モデルの性能はAUROCを用いて評価され、敗血症発症の24時間から3時間前までの予測ウィンドウに焦点を当てた分析が行われた。

実験結果

リサーチクエスチョン

• RQ1 生のEHRイベント系列のみを用いて、従来のモデルよりも早期かつ信頼性の高い敗血症検出が、深層学習モデルによって可能か。
• RQ2 血圧モニタリング頻度が低い非集中治療室部門への適用において、モデルは高い性能を維持できるか。
• RQ3 モデルの予測が、抗生物質投与や血液培養などの主要な臨床的介入の前にどの程度前もって行われるか。
• RQ4 特定の臨床パラメータに依存するが、しばしば欠損するベースラインモデルと比較して、本モデルの性能はどのように異なるか。
• RQ5 固定時刻での標準的AUROC評価とは異なり、逐次的評価アプローチが、臨床的実用性をよりよく反映できるか。

主な発見

• CNN-LSTMモデルは、敗血症発症の3時間前に予測した際、AUROC 0.856を達成し、優れた早期検出能力を示した。
• 敗血症発症の24時間前においても、モデルはAUROC 0.756を維持し、長時間予測ウィンドウにおいても一貫した性能を示した。
• 多くの敗血症患者が予測時刻時点で静脈内抗生物質投与や血液培養を受けていなかったことが判明し、早期介入を促すモデルの潜在的価値が示された。
• 特定の臨床パラメータに依存するが、データセットで頻繁に欠損していたため、ベースラインの勾配ブースティングモデル（GB-Vital）よりも本モデルが優れた性能を示した。
• 欠損データに対してもモデルの性能が安定しており、事前に定義された特徴を必要とせず、生のイベント系列から学習したためである。
• 病院の業務フローとITシステムに起因する潜在的なバイアスが同定され、組織的プロセスがモデルの一般化可能性に影響を及える可能性があると示唆された。