[논문 리뷰] Personalized Risk Scoring for Critical Care Patients using Mixtures of Gaussian Process Experts

Ahmed M. Alaa, Jinsung Yoon외 2명|arXiv (Cornell University)|2016. 05. 03.

Gaussian Processes and Bayesian Inference참고 문헌 15인용 수 12

한 줄 요약

이 논문은 임상적으로 안정된 환자에서 유도된 잠재적 생리적 하위군을 기반으로, 혈액 검사 및 생명 징후 데이터를 모델링하기 위해 가우시안 프로세스 전문가의 혼합을 사용하는 개인화된 실시간 위험 평가 시스템을 제안한다. 이 시스템은 안정된 환자에서 발견된 잠재 클래스를 악화 중인 환자에게 전이함으로써 환자의 이질성을 반영하는 적응형 전문가 가중치를 기반으로 하며, MEWS, Rothman 지수 및 LASSO 모델보다 뛰어나며, 양성 예측값에서 16–18% 향상되고 AUC에서 5% 향상된다. 이는 입원 특성에 기반한 적응형 전문가 가중치를 통해 환자 이질성을 고려함으로써 달성된다.

ABSTRACT

We develop a personalized real time risk scoring algorithm that provides timely and granular assessments for the clinical acuity of ward patients based on their (temporal) lab tests and vital signs. Heterogeneity of the patients population is captured via a hierarchical latent class model. The proposed algorithm aims to discover the number of latent classes in the patients population, and train a mixture of Gaussian Process (GP) experts, where each expert models the physiological data streams associated with a specific class. Self-taught transfer learning is used to transfer the knowledge of latent classes learned from the domain of clinically stable patients to the domain of clinically deteriorating patients. For new patients, the posterior beliefs of all GP experts about the patient's clinical status given her physiological data stream are computed, and a personalized risk score is evaluated as a weighted average of those beliefs, where the weights are learned from the patient's hospital admission information. Experiments on a heterogeneous cohort of 6,313 patients admitted to Ronald Regan UCLA medical center show that our risk score outperforms the currently deployed risk scores, such as MEWS and Rothman scores.

연구 동기 및 목표

• 실시간으로 개인화된 위험 평가 시스템을 개발하여 기존 임상 위험 평가 점수보다 더 높은 정확도와 세분성으로 향상시키는 것.
• 환자 집단의 이질성 문제를 해결하기 위해 임상적으로 안정된 환자에서 비지도 학습을 통해 생리적 하위군을 발견하는 것.
• 자기 학습 전이 학습을 통해 안정된 환자에서 유도된 잠재 클래스를 악화 중인 환자에게 전이함으로써 급성 치료 환경에서 정확한 위험 평가를 가능하게 하는 것.
• 입원 특성에 기반한 동적 가중치를 통해 다수의 GP 전문가를 조합하여 위험 평가를 개인화함으로써 임상 의사결정 지원을 향상시키는 것.
• MEWS 및 Rothman 지수와 같은 기존 점수보다 모델 성능이 뛰어나다는 것을 입증하기 위해, 중환자실 이송 및 악성 사건 예측에서의 성능을 평가하는 것.

제안 방법

• 계층적 잠재 클래스 모델은 비지도 학습을 통해 임상적으로 안정된 환자의 생리적 데이터로부터 환자 집단의 수를 발견한다.
• 각 잠재 클래스는 시간에 따라 변화하는 혈액 검사 및 생명 징후 데이터로부터 초모수를 학습한 가우시안 프로세스(GP) 전문가로 모델링된다.
• 자기 학습 전이 학습을 통해 안정된 환자에서 발견된 잠재 클래스를 악화 중인 환자에게 전이하여 GP 전문가를 급성 상태에 적응시킨다.
• 신규 환자에 대해서는 모든 GP 전문가의 사후 확률의 가중 평균으로 위험 평가 점수를 계산하며, 이 가중치는 입원 특성에서 유도된다.
• 혼합 가중치는 입원 정보(예: 성별, 이송 상태 등)를 전문가 책임에 매핑하는 파rametric 모델을 통해 학습된다.
• 모델 성능은 AUC, 진성 양성률(TPR), 양성 예측값(PPV) 등의 지표를 사용하여 10겹의 분层적 교차검증으로 평가된다.

실험 결과

연구 질문

• RQ1 데이터 기반 개인화 위험 평가 모델이 MEWS 및 Rothman 지수와 같은 전통적인 전문가 기반 점수보다 중환자실 이송 예측에서 뛰어나게 성능을 높일 수 있는가?
• RQ2 잠재 클래스를 통해 환자 이질성을 모델링할 경우 실시간 위험 평가의 정확도와 세분성이 어떻게 향상되는가?
• RQ3 안정된 환자에서 악화 중인 환자에게 전이하는 자기 학습 전이 학습이 모델 일반화 및 성능 향상에 얼마나 기여하는가?
• RQ4 어느 입원 특성이 혼합 모델에서 전문가 할당 및 위험 평가 점수 변동성에 가장 예측력이 있는가?
• RQ5 다수의 GP 전문가를 소프트 혼합하는 방식이 하드 클러스터링 또는 전문가 선택 방식보다 개인화된 위험 평가에서 더 나은 성능을 내는가?

주요 결과

• 4개의 전문가를 사용한 제안된 모델은 MEWS 및 Rothman 지수 대비 각각 16%와 18%의 양성 예측값 향상을 보였으며, p값은 모두 0.01 이하였다.
• 다수의 GP 전문가를 통해 환자 이질성을 반영함으로써 단일 전문가 모델 대비 AUC가 5% 향상되었고, TPR 40%에서 PPV가 10% 향상되었다.
• 10겹 교차검증에서 LASSO 로지스틱 회귀 및 기준 점수 전반에 걸쳐 모든 TPR 및 PPV 설정에서 모델이 일관되게 뛰어난 성능을 보였다.
• 역사적 분석 결과, 동일한 생명 징후를 가진 여성 비이송 환자보다 다른 병원에서 이송된 남성 환자가 더 높은 위험 점수를 받았으며, 이는 입원 특성에 기반한 전문가 가중치 때문이었다.
• 모든 전문가를 소프트 혼합하는 방식이 단일 전문가에만 할당하는 하드 클러스터링 방식보다 성능이 뛰어나, 전문가 신뢰도의 확률적 융합의 이점을 입증했다.
• 모델은 입원 특성인 이송 상태 및 성별이 전문가 책임에 상당한 영향을 미친다는 것을 드러내어 위험 분류에 대한 새로운 임상 통찰을 제공했다.