[論文レビュー] Predicting Patient Outcomes with Graph Representation Learning

Emma Rocheteau, Catherine Tong+3 more|arXiv (Cornell University)|Jan 11, 2021

Machine Learning in Healthcare被引用数 5

ひとこと要約

本稿では、時間的生理的特徴にLSTMネットワークを適用し、診断に基づいて患者の類似性をモデル化するためのグラフニューラルネットワークを組み合わせたハイブリッドモデルLSTM-GNNを提案する。eICUデータセットにおいて、入院期間予測の性能が顕著に向上し、周辺情報による近接病態パターンの捉え込みにより、標準的なLSTMベースラインを上回る。診断エンコーディングと併用することで、相補的な利点を示す。

ABSTRACT

Recent work on predicting patient outcomes in the Intensive Care Unit (ICU) has focused heavily on the physiological time series data, largely ignoring sparse data such as diagnoses and medications. When they are included, they are usually concatenated in the late stages of a model, which may struggle to learn from rarer disease patterns. Instead, we propose a strategy to exploit diagnoses as relational information by connecting similar patients in a graph. To this end, we propose LSTM-GNN for patient outcome prediction tasks: a hybrid model combining Long Short-Term Memory networks (LSTMs) for extracting temporal features and Graph Neural Networks (GNNs) for extracting the patient neighbourhood information. We demonstrate that LSTM-GNNs outperform the LSTM-only baseline on length of stay prediction tasks on the eICU database. More generally, our results indicate that exploiting information from neighbouring patient cases using graph neural networks is a promising research direction, yielding tangible returns in supervised learning performance on Electronic Health Records.

研究の動機と目的

• 診断や薬剤などのスパarsな高次元EHRデータを効果的に活用できない既存モデルの限界を克服すること。
• 患者間の関係的情報を統合することで、入院内死亡率（IHM）およびICU滞在期間（LOS）の予測を改善すること。
• 標準的なエンコーダーが見逃す可能性のあるまれな合併症パターンに対して、患者類似性のグラフベースモデリングが性能向上に寄与するかを検証すること。
• 時間的モデリングとグラフベースの近接情報の両方を統合したエンドツーエンドで解釈可能なモデルを構築すること。

提案手法

• 診断ベクトル上でk近傍法を用いて、ノードが患者を表し、エッジが診断の類似性を示す静的患者グラフを構築する。
• 24時間以内の時間的生理的時系列データを一方向LSTMで処理し、逐次的パターンを抽出する。
• 患者グラフにGCN、GAT、GraphSAGE、MPNNの4種類のGNNアーキテクチャを適用し、近隣情報の集約と患者表現の精錬を実施する。
• LSTMでエンコードされた時間的特徴とGNNでエンコードされた患者表現を連結し、最終予測のために全結合層を通過させる。
• 診断エンコーダーを別途用いて診断特徴を埋め込み、このコンponentの有無を比較することで、その貢献度を評価する。
• GATにおけるアテンション重みを活用し、予測に最も影響を与える類似患者を可視化することで、モデル意思決定の解釈性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 共通の診断を持つ患者のグラフとしての類似性をモデル化することで、標準的なLSTMオンリーモデルと比較して、予後予測性能が向上するか？
• RQ2 グラフベースのアプローチは、EHRデータにおけるまれな合併症パターンの処理において、従来の診断エンコーディングと比較してどのように優れているか？
• RQ3 時間的モデリング（LSTM）とグラフベースの近接情報の組み合わせは、単独で用いる場合よりも優れた性能を示すか？
• RQ4 グラフ表現は、入院期間予測と比較して、入院内死亡率予測においてどの程度向上効果を示すか？
• RQ5 GNNにおけるアテンション機構は、予測に影響を与える類似患者を解釈可能な形で特定できるか？

主な発見

• LSTM-GNNモデルは、入院期間予測においてLSTMオンリーベースラインを上回り、GATを用いた場合にAUC 0.854 ± 0.001、SAGEを用いた場合に0.851 ± 0.003を達成した。
• グラフオンリーコンponent（LSTM-GNN*）は、LSTMオンリーモデル（LSTM*）に比べて、入院期間予測において顕著な性能向上を示しており、診断に基づく患者類似性が価値ある信号であることが裏付けられた。
• 統合されたLSTM-GNNモデルが最良の結果を示し、LOSの平均絶対誤差が1.86、IHMのAUCが0.371であった。時間的モデリングと関係的モデリングの相乗効果が明確に示された。
• 診断エンコーダーは入院内死亡率予測においてより大きな貢献を示したが、グラフコンponentは入院期間予測においてより顕著な向上をもたらした。これは、タスク依存の利点であることを示唆している。
• LSTM-GATにおけるアテンション重みは、臨床的に関連する類似患者（例：心不全などのまれな疾患を有する患者）を正しく同定しており、モデルの解釈可能性が妥当であることを検証した。
• アブレーションスタディの結果、LSTMコンponentを削除すると性能が著しく低下し、時系列データに対して逐次的モデリングが不可欠であることが確認された。