[论文解读] Deep Survival Analysis

Rajesh Ranganath, Adler Perotte+2 more|arXiv (Cornell University)|Aug 6, 2016

Machine Learning in Healthcare参考文献 25被引用 78

一句话总结

本文提出深度生存分析，一种贝叶斯分层模型，通过深度指数族联合建模异质性电子健康记录（EHR）数据（生命体征、检验指标、药物、诊断） ，按失败时间对齐患者而非任意的时间零点。其在313,000名患者的冠心病（CHD）风险预测任务中，实现了73.11%的一致性，优于临床金标准的弗雷明汉风险评分，展现出更优的风险分层能力以及对缺失数据的鲁棒性。

ABSTRACT

The electronic health record (EHR) provides an unprecedented opportunity to build actionable tools to support physicians at the point of care. In this paper, we investigate survival analysis in the context of EHR data. We introduce deep survival analysis, a hierarchical generative approach to survival analysis. It departs from previous approaches in two primary ways: (1) all observations, including covariates, are modeled jointly conditioned on a rich latent structure; and (2) the observations are aligned by their failure time, rather than by an arbitrary time zero as in traditional survival analysis. Further, it (3) scalably handles heterogeneous (continuous and discrete) data types that occur in the EHR. We validate deep survival analysis model by stratifying patients according to risk of developing coronary heart disease (CHD). Specifically, we study a dataset of 313,000 patients corresponding to 5.5 million months of observations. When compared to the clinically validated Framingham CHD risk score, deep survival analysis is significantly superior in stratifying patients according to their risk.

研究动机与目标

• 解决传统生存分析在处理缺失、异质性和非对齐的EHR数据方面的局限性。
• 开发一种可扩展的生成模型，通过深度潜在结构联合建模协变量和生存时间。
• 利用真实世界EHR数据改进冠心病（CHD）的风险分层，超越临床验证的基准。
• 在存在不完整和不规则采样EHR观测数据的情况下，实现准确的时序预测。

提出的方法

• 使用深度指数族（DEF）作为深度潜在变量模型，捕捉协变量与失败时间之间的非线性依赖关系。
• 按患者的失败时间（或删失时间）对齐所有患者，避免传统生存分析中使用的任意时间零对齐。
• 在贝叶斯框架内联合建模所有观测值——协变量、删失状态和失败时间——以自然地处理缺失数据。
• 采用可扩展的变分推断方法，实现对大规模EHR数据的高效训练，支持端到端学习。
• 通过DEF框架中的共享潜在表示，整合异质性数据类型（生命体征、检验指标、药物、诊断）。
• 使用预测似然和一致性作为评估指标，以衡量时序预测准确性和风险分层性能。

实验结果

研究问题

• RQ1 深度生成模型是否能比传统生存分析更有效地联合建模异质性EHR数据和生存结局？
• RQ2 与基于时间零的对齐方式相比，按失败时间对齐患者是否能提高基于EHR的生存建模中的风险预测准确性？
• RQ3 深度生存分析能否在冠心病风险分层方面超越临床验证的弗雷明汉CHD风险评分？
• RQ4 不同EHR数据类型（如诊断、检验、药物）的引入如何提升预测性能？
• RQ5 该模型在处理真实世界EHR中缺失数据和不规则观测模式方面的表现如何？

主要发现

• 深度生存分析在25,000名患者的保留测试集上实现了73.11%的一致性，显著优于基线弗雷明汉风险评分（65.57%）。
• 当潜空间维度K=50时模型性能最佳，表明模型复杂度与预测准确性的最佳权衡。
• 在各类数据类型中，仅诊断代码就提供了最高的预测似然（-0.855385），表明其对CHD风险具有强大的预测能力。
• 该模型对缺失数据表现出鲁棒性，因其通过贝叶斯潜在结构自然处理不完整观测。
• 即使在未进行人工数据填补或对齐的情况下，仅使用稀疏且异质的EHR数据进行训练，深度生存分析仍实现了优越的风险分层。
• 内部验证表明，随着潜空间维度的增加，模型的预测似然持续提升，至K=50时达到峰值。