[논문 리뷰] Predicting Surgery Duration with Neural Heteroscedastic Regression

Nathan Ng, Rodney A. Gabriel외 3명|arXiv (Cornell University)|2017. 02. 17.

Healthcare Operations and Scheduling Optimization참고 문헌 2인용 수 16

한 줄 요약

이 논문은 신경망을 활용해 수술 시간과 그에 따른 불확실성을 동시에 추정하는 신경 헤테로스케다스틱 회귀 모델을 제안한다. 이 모델은 평균과 분산을 동시에 추정함으로써, 현재의 관행 대비 20% 감소된 과도 예약 분을 기록하며, 이질분산 모델이 동질분산 기반 모델보다 로그우도와 결정이론적 스케줄링 효율성에서 뛰어나며, 비대칭 비용 구조에서 특히 유리하다.

ABSTRACT

Scheduling surgeries is a challenging task due to the fundamental uncertainty of the clinical environment, as well as the risks and costs associated with under- and over-booking. We investigate neural regression algorithms to estimate the parameters of surgery case durations, focusing on the issue of heteroscedasticity. We seek to simultaneously estimate the duration of each surgery, as well as a surgery-specific notion of our uncertainty about its duration. Estimating this uncertainty can lead to more nuanced and effective scheduling strategies, as we are able to schedule surgeries more efficiently while allowing an informed and case-specific margin of error. Using surgery records %from the UC San Diego Health System, from a large United States health system we demonstrate potential improvements on the order of 20% (in terms of minutes overbooked) compared to current scheduling techniques. Moreover, we demonstrate that surgery durations are indeed heteroscedastic. We show that models that estimate case-specific uncertainty better fit the data (log likelihood). Additionally, we show that the heteroscedastic predictions can more optimally trade off between over and under-booking minutes, especially when idle minutes and scheduling collisions confer disparate costs.

연구 동기 및 목표

• 수술 시간을 사례별로 불확실성 추정과 함께 예측하여 수술실 스케줄링을 향상시키기 위해.
• 표준 신경망 회귀에서 동질분산 가정의 한계를 해결하기 위해.
• 수술 시간 데이터의 이질분산 특성(수술 시간이 길수록 변동성이 증가)을 모델링하기 위해.
• 과도 예약과 부족 예약에 다른 비용이 발생할 경우 불확실성 인식 예측이 더 나은 스케줄링 결정을 이끌 수 있는지 평가하기 위해.
• 실제 임상 스케줄링 상황에서 예측 불확실성의 실용적 유용성을 입증하기 위해.

제안 방법

• 공유 인코더를 갖춘 딥 네ural 네트워크를 사용해 수술 시간의 평균과 표준편차를 동시에 예측함으로써 이질분산 회귀를 구현한다.
• 예측 분포를 모델링하기 위해 정규분포, 라플라스분포, 감마분포를 적용하며, 시간 데이터에 적합한 양의 지지역과 긴 오른쪽 꼬리 특성을 고려해 감마분포를 선택한다.
• 표준편차 예측값이 음수가 되지 않도록 소프트플러스 활성화 함수를 적용한다.
• 학습 목표로 예측 분포의 음의 로그우도를 최적화함으로써 평균과 분산을 동시에 추정할 수 있도록 한다.
• 과도 예약과 부족 예약 간의 트레이드오���을 위해 백분위수 기반 스케줄링 조정을 시행하며, 이질분산 모델은 각 사례에 맞는 백분위수를 선택한다.
• 특성 중요도 평가를 위해 아블레이션 분석을 수행하였으며, 수술 코드, 수술의, 시간대, 환자 특성 등을 포함한다.

실험 결과

연구 질문

• RQ1 신경 이질분산 회귀 모델이 표준 동질분산 모델 대비 수술 시간 예측의 정확성과 신뢰성 향상에 기여하는가?
• RQ2 수술 시간 데이터는 진정으로 이질분산 특성을 가지며, 수술 시간이 길수록 분산이 증가하는가?
• RQ3 과도 예약과 부족 예약에 다른 비용이 발생할 경우 사례별 불확실성 추정치가 더 나은 스케줄링 결정을 이끌 수 있는가?
• RQ4 정규분포, 라플라스분포, 감마분포와 같은 다양한 분포 가정이 수술 시간과 불확실성 모델링에 어떻게 성능을 발휘하는가?
• RQ5 임상적 특성 중 수술 시간과 불확실성 예측에 가장 중요한 요소는 무엇인가?

주요 결과

• 감마분포를 신경망과 함께 사용할 경우 수술 시간 데이터에 가장 잘 맞는다. 이는 정규분포 및 라플라스분포보다 로그우도 측면에서 뛰어나다.
• 이질분산 모델은 동질분산 기반 모델 대비 로그우도 측면에서 유의미하게 뛰어나며, 수술 시간이 본질적으로 이질분산임을 확인한다.
• 최고의 성능을 보인 감마분포 기반 MLP는 다른 목표 함수를 최적화하고 있음에도 불구하고, 표준 최소제곱 정규분포 MLP보다 낮은 평균제곱오차를 기록한다.
• 이질분산 모델은 현재의 스케줄링 관행 대비 약 20%의 과도 예약 분을 줄였으며, 특히 과도 예약과 부족 예약 비용이 비대칭일 경우에 유리하다.
• 이질분산 모델의 백분위수 예측 기반 스케줄링은 예측값을 일정 비율로 조정하는 방식보다 성능이 뛰어나며, 특히 비용 민감도가 높은 결정 규칙 하에서 유의미한 개선을 보였다.
• 수술 코드가 가장 중요한 예측 특성이며, 그 다음으로 수술의, 위치, 시간대가 영향을 미치며, 공존질환은 아블레이션 분석에서 전반적인 영향이 제한적이었다.