[논문 리뷰] Gradient Boosting on Decision Trees for Mortality Prediction in Transcatheter Aortic Valve Implantation

Marco Mamprin, Zelis, Jo M.외 3명|arXiv (Cornell University)|2020. 01. 08.

Cardiac Valve Diseases and Treatments참고 문헌 14인용 수 6

한 줄 요약

이 연구는 이식 후 1년 이내 사망률을 예측하기 위해 범주형 특징 최적화를 적용한 결정 트리 기반의 기울기 부스팅 모델을 개발한다. 모델은 270건의 사례에서 AUC 0.83를 기록하여 EuroSCORE II 및 STS와 같은 기존의 위험 점수를 능가하며, 해석 가능한 특징 분석을 통해 임상 전문가의 피드백을 통합하여 모델의 관련성과 정확도를 향상시킨다.

ABSTRACT

Current prognostic risk scores in cardiac surgery are based on statistics and do not yet benefit from machine learning. Statistical predictors are not robust enough to correctly identify patients who would benefit from Transcatheter Aortic Valve Implantation (TAVI). This research aims to create a machine learning model to predict one-year mortality of a patient after TAVI. We adopt a modern gradient boosting on decision trees algorithm, specifically designed for categorical features. In combination with a recent technique for model interpretations, we developed a feature analysis and selection stage, enabling to identify the most important features for the prediction. We base our prediction model on the most relevant features, after interpreting and discussing the feature analysis results with clinical experts. We validated our model on 270 TAVI cases, reaching an AUC of 0.83. Our approach outperforms several widespread prognostic risk scores, such as logistic EuroSCORE II, the STS risk score and the TAVI2-score, which are broadly adopted by cardiologists worldwide.

연구 동기 및 목표

• TAVI 이후 1년 이내 사망률을 예측하는 데 있어 기존의 통계적 위험 점수를 향상시키는 기계학습 모델을 개발한다.
• 혼합 데이터 유형을 갖춘 임상 데이터를 효과적으로 모델링할 수 있도록 범주형 특징을 내장한 기울기 부스팅 알고리즘을 활용하여 예측 성능을 향상시킨다.
• 모델 해석 기법을 통해 임상 전문 지식을 특징 선택 과정에 통합한다.
• 실제 TAVI 환자 코hort에서 모델을 검증하고, 널리 사용되는 위험 점수와의 성능을 비교한다.
• 임상적으로 해석 가능하고 강건한 모델을 제작하여 TAVI 환자 선별을 지원한다.

제안 방법

• 저자들은 범주형 특징을 위한 특별히 설계된 기울기 부스팅 알고리즘을 사용하여, 혼합된 데이터 유형을 갖는 임상 데이터를 효과적으로 모델링한다.
• 최근 개발된 모델 해석 기법을 적용하여 특징 중요도를 분석하고 특징 선택을 안내한다.
• 임상 전문가들이 해석 결과를 바탕으로 선택된 특징을 검증하고 개선하여 임상적 관련성을 확보한다.
• 최종 모델은 1년 이내 사망률을 결과로 하는 270명의 TAVI 환자 데이터셋에서 학습 및 검증된다.
• 성능 평가에는 수신기 작동 특성 곡선 아래 면적(AUC)을 사용하며, 로지스틱 EuroSCORE II, STS, TAVI2-score와의 비교를 실시한다.
• 모델의 예측 정확도와 해석 가능성에 중점을 두어 임상 의사결정 지원에 기여한다.

실험 결과

연구 질문

• RQ1 범주형 특징 처리 기능을 갖춘 결정 트리 기반 기울기 부스팅 모델이 기존의 통계적 위험 점수에 비해 TAVI 환자의 사망률 예측 성능을 향상시킬 수 있는가?
• RQ2 해석 가능한 기계학습 기법을 통해 TAVI 이후 1년 이내 사망률에 가장 예측력 있는 임상 특징은 무엇인가?
• RQ3 모델 해석 결과를 바탕으로 임상 전문가가 검증한 특징 선택을 통합할 경우 모델 성능는 어떻게 변화하는가?
• RQ4 제안된 모델이 EuroSCORE II 및 STS와 같은 기존의 위험 점수에 비해 TAVI 사망률 예측에서 얼마나 뛰어난 성능을 보이는가?
• RQ5 해석 가능한 기계학습 기법이 간호심장내과 분야에서 예측 모델의 임상적 신뢰도와 적용 가능성을 향상시킬 수 있는가?

주요 결과

• 제안된 모델은 270건의 TAVI 환자로 구성된 검증 세트에서 AUC 0.83을 기록하여 강력한 분류 성능을 입증하였다.
• 로지스틱 EuroSCORE II, STS 위험 점수, TAVI2-score와 같은 널리 사용되는 위험 점수보다도 1년 이내 사망률 예측에서 뛰어난 성능을 보였다.
• 특징 중요도 분석을 통해 핵심 임상 예측 변수가 도출되었으며, 이는 임상 전문가에 의해 검증되고 개선되어 모델의 해석 가능성 향상에 기여했다.
• 모델 해석 기법의 통합을 통해 투명한 특징 선택이 가능해져 임상적 관련성과 모델에 대한 신뢰도가 증가했다.
• 기본적으로 범주형 특징 처리 기능을 내장한 기울기 부스팅 기법은 기존의 통계 모델 대비 모델의 강건성과 예측 정확도를 향상시켰다.
• 결과적으로 기계학습 모델이 임상 전문 지식과 해석 가능성과 결합될 경우 TAVI 환자의 위험 예측 능력이 크게 향상될 수 있음을 입증하였다.