[论文解读] Sum of previous inpatient serum creatinine measurements predicts acute kidney injury in rehospitalized patients

Samuel J. Weisenthal, Haofu Liao+2 more|arXiv (Cornell University)|Dec 5, 2017

Acute Kidney Injury Research参考文献 8被引用 4

一句话总结

本研究提出了一种简单而有效的模型，通过累加既往住院期间的血清肌酐（sCr）测量值来预测再入院患者的急性肾损伤（AKI）。多层感知机（MLP）模型在处理sCr总和时表现最佳，AUROC为0.92，AUPRC为0.70，表明在此背景下，一个极简且可解释的特征可超越复杂的循环神经网络架构。

ABSTRACT

Acute Kidney Injury (AKI), the abrupt decline in kidney function due to temporary or permanent injury, is associated with increased mortality, morbidity, length of stay, and hospital cost. Sometimes, simple interventions such as medication review or hydration can prevent AKI. There is therefore interest in estimating risk of AKI at hospitalization. To gain insight into this task, we employ multilayer perceptron (MLP) and recurrent neural networks (RNNs) using serum creatinine (sCr) as a lone feature. We explore different feature input structures, including variable-length look-backs and a nested formulation for rehospitalized patients with previous sCr measurements. Experimental results show that the simplest model, MLP processing the sum of sCr, had best performance: AUROC 0.92 and AUPRC 0.70. Such a simple model could be easily integrated into an EHR. Preliminary results also suggest that inpatient data streams with missing outpatient measurements---common in the medical setting---might be best modeled with a tailored architecture.

研究动机与目标

• 开发一种实用且可解释的模型，仅使用住院期间的血清肌酐（sCr）数据来预测再入院患者的急性肾损伤（AKI）。
• 评估既往住院期间的纵向sCr病史是否能提升已知既往sCr测量值的再入院患者中AKI的预测性能。
• 比较不同深度学习架构（MLP与RNN）在不同输入结构（包括可变长度回顾窗口和跨住院的嵌套序列）下的表现。
• 评估将一种简单、特征高效的模型集成到电子健康记录（EHR）系统中用于临床应用的可行性。
• 探讨是否需要为缺乏门诊测量值的住院数据流设计定制化架构。

提出的方法

• 模型仅以血清肌酐（sCr）作为输入，缺失值因发生频率低且随机出现而采用前向填充法处理。
• 评估了三种输入结构：MARKOV（每段住院期间无记忆）、CONCAT（测量值拼接）和NEST（跨住院的嵌套序列）。
• 使用交叉熵损失和时间反向传播训练多层感知机（MLP）和循环神经网络（RNN），并为嵌套序列设计了自定义梯度计算。
• 对于NEST结构，实现了具有再入院特异性参数R的分层RNN，以建模住院之间的转换。
• 通过在测量时间步和住院序列上展开网络来计算梯度，实现端到端训练。
• 在100次试验中，通过验证集上的AUROC、AUPRC和对数损失评估模型性能，隐藏单元数量变化。

实验结果

研究问题

• RQ1 既往住院sCr测量值的总和能否作为再入院患者AKI的稳健且简单的预测因子？
• RQ2 仅使用sCr的极简模型是否优于使用相同输入的更复杂的RNN架构？
• RQ3 不同输入结构（MARKOV、CONCAT、NEST）如何影响AKI预测性能？
• RQ4 是否需要为缺乏门诊测量值的住院数据流设计定制化RNN架构？
• RQ5 能否将一种简单且可解释的模型有效集成到EHR系统中，实现实时AKI风险预测？

主要发现

• 处理既往住院sCr测量值总和的多层感知机（MLP）模型实现了最高的AUROC（0.92）和AUPRC（0.70），优于所有其他架构和输入结构。
• 最简单的模型——sCr总和——在性能上优于复杂的RNN和其它输入形式，表明在此背景下，特征的简洁性可提升泛化能力。
• 采用分层RNN的NEST输入结构表现有前景，但未超越基于sCr总和的MLP模型，表明该任务可能无需嵌套序列建模。
• 初步结果表明，缺乏门诊测量值的住院数据流可能从专用架构中受益，但需进一步研究验证。
• 本研究证实，基于sCr总和的极简且可解释的模型在预测AKI方面极为有效，且可轻松集成到EHR系统中，以支持临床决策。
• 该模型AUROC高达0.92，表明其在识别再入院患者中AKI高风险个体方面具有强大的判别能力，有助于实现早期预防干预。