[論文レビュー] Temporal Pattern Discovery for Accurate Sepsis Diagnosis in ICU Patients

Eitam Sheetrit, Nir Nissim+4 more|arXiv (Cornell University)|Sep 6, 2017

Time Series Analysis and Forecasting参考文献 27被引用数 8

ひとこと要約

本稿では、知識ベースの時系列抽象化と時間間隔マイニングを用いた時間的パターン発見手法を提案し、ICUの生命徴収データおよび血液検査データにおける頻度の高い時間間隔ベースのパターンを同定する。2,560例のMIMIC-III症例を分析した結果、敗血症発症の6–12時間前には、敗血症を発症しない患者と比較して、敗血症患者が顕著に異なる時間的パターンを示すことが判明し、これらのパターンを予測特徴量として用いることで早期診断が可能となる。

ABSTRACT

Sepsis is a condition caused by the body's overwhelming and life-threatening response to infection, which can lead to tissue damage, organ failure, and finally death. Common signs and symptoms include fever, increased heart rate, increased breathing rate, and confusion. Sepsis is difficult to predict, diagnose, and treat. Patients who develop sepsis have an increased risk of complications and death and face higher health care costs and longer hospitalization. Today, sepsis is one of the leading causes of mortality among populations in intensive care units (ICUs). In this paper, we look at the problem of early detection of sepsis by using temporal data mining. We focus on the use of knowledge-based temporal abstraction to create meaningful interval-based abstractions, and on time-interval mining to discover frequent interval-based patterns. We used 2,560 cases derived from the MIMIC-III database. We found that the distribution of the temporal patterns whose frequency is above 10% discovered in the records of septic patients during the last 6 and 12 hours before onset of sepsis is significantly different from that distribution within a similar period, during an equivalent time window during hospitalization, in the records of non-septic patients. This discovery is encouraging for the purpose of performing an early diagnosis of sepsis using the discovered patterns as constructed features.

研究の動機と目的

• 敗血症の早期発見に課題が生じるICU患者において、診断の遅れが死亡率を上昇させることを解決すること。
• 敗血症発症の前触れとなる、縦断的ICUデータにおける臨床的に意味のある時間的パターンを同定すること。
• 時間的抽象化と時間間隔マイニングを活用し、生の時系列データを解釈可能なパターンベースの特徴量に変換すること。
• 敗血症発症前同等の時間窓において、敗血症患者と非敗血症患者の間で時間的パターンの分布に顕著な差があるかどうかを評価すること。
• 発見されたパターンを基盤として、データ駆動型の早期敗血症診断システムを構築する基盤を確立すること。

提案手法

• 生のICU時系列データを臨床的に意味のある時間間隔（例：「頻脈」や「低血圧」の持続時間）に変換するため、知識ベースの時間的抽象化を適用した。
• 時間間隔マイニングを用いて、患者記録全体にわたるこれらの時間間隔ベースの抽象化の頻度の高い繰り返しパターンを発見した。
• 敗血症発症の6–12時間前を焦点とし、敗血症発症を予測するパターンを同定した。
• 敗血症発症前同等の入院前時間窓において、敗血症患者と非敗血症患者の間で発見されたパターンの頻度分布を比較した。
• 訓練および評価に使用した2,560例のICU患者症例を含むMIMIC-IIIデータベースを活用した。
• 敗血症群と非敗血症群の間でパターン分布の差の有意性を評価する統計的検定を実施した。

実験結果

リサーチクエスチョン

• RQ1 敗血症発症の6–12時間前に収集されたICUデータにおける時間的パターンは、敗血症患者と非敗血症患者を区別できるか？
• RQ2 生命徴収値および血液検査値に、診断以前に著しく頻度が高い時間間隔ベースのパターンが存在するか？
• RQ3 知識ベースの時間的抽象化は、時間的パターン発見に適した臨床的に解釈可能な特徴量に生の臨床時系列データを効果的に変換できるか？
• RQ4 敗血症発症前同等の時間窓において、発見された時間的パターンの分布に、敗血症患者と非敗血症患者の間で顕著な差があるか？
• RQ5 発見されたパターンは、ICU環境における敗血症の早期診断に頼れる特徴量として機能できるか？

主な発見

• 頻度が10%を超える時間的パターンの分布は、敗血症発症の6–12時間前において、敗血症患者と非敗血症患者の間で顕著に異なることが判明した。
• 本研究では、診断以前に一貫して出現する頻度の高い時間間隔ベースのパターンを同定し、予測的価値があると示唆された。
• パターン分布の差は統計的に有意であったため、これらのパターンが診断特徴量としての可能性を支持する。
• 知識ベースのルールを用いることで、生のICUデータを解釈可能で臨床的に関連性のある時間的抽象化に成功した。
• 結果として、時間的パターンマイニングにより、生データからは見えにくい微細な敗血症の早期兆候を同定できることを示した。
• 本アプローチは、時間的パターン特徴量を用いた解釈可能でデータ駆動型の敗血症予測モデルを構築する基盤を提供する。