[论文解读] Binary Gaussian Copula Synthesis: A Novel Data Augmentation Technique to Advance ML-based Clinical Decision Support Systems for Early Prediction of Dialysis Among CKD Patients

Hamed Khosravi, Srinjoy Das+2 more|arXiv (Cornell University)|Mar 1, 2024

Artificial Intelligence in HealthcareHealth Professions被引用 3

一句话总结

本文提出二值高斯插值合成（BGCS），一种专为慢性肾病（CKD）患者二值电子健康记录（EHR）数据设计的两阶段数据增强框架。BGCS 使用高斯插值模型对二值临床特征之间的成对依赖关系进行建模，并利用微调后的 GPT-2 分类器过滤掉不合理的合成样本，显著提升了 90 天透析预测中少数类的召回率（中位数从 0.78 提升至 0.87），同时保持了数据分布的一致性（平均 p 值 = 0.68）。

ABSTRACT

The Center for Disease Control estimates that over 37 million US adults suffer from chronic kidney disease (CKD), yet 9 out of 10 of these individuals are unaware of their condition due to the absence of symptoms in the early stages. It has a significant impact on patients' quality of life, particularly when it progresses to the need for dialysis. Early prediction of dialysis is crucial as it can significantly improve patient outcomes and assist healthcare providers in making timely and informed decisions. However, developing an effective machine learning (ML)-based Clinical Decision Support System (CDSS) for early dialysis prediction poses a key challenge due to the imbalanced nature of data. To address this challenge, this study evaluates various data augmentation techniques to understand their effectiveness on real-world datasets. We propose a new approach named Binary Gaussian Copula Synthesis (BGCS). BGCS is tailored for binary medical datasets and excels in generating synthetic minority data that mirrors the distribution of the original data. BGCS enhances early dialysis prediction by outperforming traditional methods in detecting dialysis patients. For the best ML model, Random Forest, BCGS achieved a 72% improvement, surpassing the state-of-the-art augmentation approaches. Also, we present a ML-based CDSS, designed to aid clinicians in making informed decisions. CDSS, which utilizes decision tree models, is developed to improve patient outcomes, identify critical variables, and thereby enable clinicians to make proactive decisions, and strategize treatment plans effectively for CKD patients who are more likely to require dialysis in the near future. Through comprehensive feature analysis and meticulous data preparation, we ensure that the CDSS's dialysis predictions are not only accurate but also actionable, providing a valuable tool in the management and treatment of CKD.

研究动机与目标

• 解决 CKD 患者数据中严重的类别不平衡问题，其中仅有少数患者进展至透析，限制了机器学习模型的性能。
• 克服现有数据增强方法在处理临床 EHR 特征二值结构方面设计不足的局限性。
• 开发一种在生成临床合理合成样本的同时，保留二值临床变量之间统计依赖关系的方法。
• 利用来自 15,169 名 CKD 患者的现实世界 EHR 数据，提升机器学习模型在预测 90 天内透析发生时间方面的性能。
• 将性能最佳的模型集成至可解释的临床决策支持系统中，以增强风险分层与临床实用性。

提出的方法

• 应用高斯插值框架对二值临床特征之间的成对依赖关系进行建模，捕捉 EHR 数据中的多变量关系。
• 利用插值模型生成少数类样本（即进展至透析的患者），以保留真实数据的相关性结构。
• 在临床笔记和特征模式上微调 GPT-2 语言模型，用于将合成样本分类为临床合理或不合理。
• 利用微调后的 GPT-2 分类器过滤掉不合理的合成样本，以提升数据质量与临床真实性。
• 将过滤后的合成数据整合至多种机器学习分类器（包括 XGBoost、随机森林、逻辑回归和 SVM）的训练流程中。
• 通过 25 次独立运行中的重复 5 折交叉验证评估模型性能，以确保结果的稳健性与可靠性。

实验结果

研究问题

• RQ1 是否一种专为二值临床特征设计的数据增强方法，能够提升 CKD 患者早期透析预测中少数类的召回率？
• RQ2 与 SMOTE、CTGAN 和标准高斯插值等成熟方法相比，BGCS 在预测性能与数据保真度方面表现如何？
• RQ3 将微调后的 LLM（GPT-2）用于过滤合成样本，能在多大程度上提升增强数据的临床合理性与实用性？
• RQ4 在使用 BGCS 增强模型时，预测 90 天内透析发生的最关键临床特征是什么？
• RQ5 BGCS 增强的模型能否有效嵌入可解释的决策支持系统中以支持临床应用？

主要发现

• BGCS 在所有评估的分类器中均实现了最高的少数类召回率中位数，90 天透析预测的召回率范围为 0.78 至 0.87。
• 该方法在真实数据分布上表现出良好的保真度，Kolmogorov-Smirnov 检验中各特征的平均 p 值为 0.68，表明与现实世界分布高度相似。
• 在全部 25 次独立运行及全部四种分类器中，BGCS 在 AUC 和召回率指标上均持续优于 SMOTE、CTGAN 和标准高斯插值方法。
• 性能最佳的 BGCS 增强模型已成功集成至基于可解释决策树的临床决策支持系统中。
• 电解质紊乱、心血管共病和肾功能监测指标被识别为可解释模型中最具影响力的预测特征。
• 利用微调后的 GPT-2 分类器对合成样本进行过滤，显著提升了生成数据的临床合理性，减少了噪声与虚假模式。