[论文解读] Using Latent Class Analysis to Identify ARDS Sub-phenotypes for Enhanced Machine Learning Predictive Performance

Tony Wang, Tim Tschampel+2 more|arXiv (Cornell University)|Mar 28, 2019

Machine Learning in Healthcare参考文献 19被引用 4

一句话总结

本研究使用潜在类别分析（LCA）从MIMIC-III ICU数据中识别出三种不同的ARDS亚表型，从而提升机器学习对死亡率的预测性能。通过在每种子表型上分别训练模型，最高死亡率组的AUC达到0.986，显著优于在整体异质性ARDS人群中训练的模型。

ABSTRACT

In this work, we utilize Machine Learning for early recognition of patients at high risk of acute respiratory distress syndrome (ARDS), which is critical for successful prevention strategies for this devastating syndrome. The difficulty in early ARDS recognition stems from its complex and heterogenous nature. In this study, we integrate knowledge of the heterogeneity of ARDS patients into predictive model building. Using MIMIC-III data, we first apply latent class analysis (LCA) to identify homogeneous sub-groups in the ARDS population, and then build predictive models on the partitioned data. The results indicate that significantly improved performances of prediction can be obtained for two of the three identified sub-phenotypes of ARDS. Experiments suggests that identifying sub-phenotypes is beneficial for building predictive model for ARDS.

研究动机与目标

• 解决由于临床异质性导致ARDS预测性能不佳的挑战。
• 探究将ARDS患者划分为生物上一致的亚表型是否能提升机器学习模型的性能。
• 利用潜在类别分析（LCA）基于临床变量（如实验室检查、生命体征和共病）识别出同质性亚组。
• 比较在亚表型上训练的模型与在整个ARDS队列上训练的模型的预测性能。
• 评估亚表型特异性模型在死亡率预测中是否具有更高的区分度（AUC）和更好的校准性。

提出的方法

• 在MIMIC-III ICU数据中应用潜在类别分析（LCA），基于临床变量（包括PaO2/FiO2、PEEP、乳酸、胆红素、肌酐、白细胞计数及共病）识别出三种不同的ARDS亚表型。
• 使用柏林标准定义ARDS发作，并提取发作后24小时内临床特征（如平均碳酸氢根、平台压、最低收缩压、最高心率）。
• 在LCA识别出的每个亚表型上分别训练梯度提升机（GBM）和随机森林模型，以评估预测性能。
• 使用AUC、敏感性、特异性、阳性预测值、阴性预测值和准确率评估模型性能，并采用自 resampling 的置信区间。
• 将亚表型模型的AUC与在整个人群ARDS队列上训练的参考模型进行比较。
• 使用统计检验（p值）评估亚表型模型与整体模型之间AUC差异的显著性。

实验结果

研究问题

• RQ1 潜在类别分析能否有效识别出异质性ARDS人群中具有生物学意义的亚表型？
• RQ2 在LCA识别出的亚表型上训练机器学习模型，是否能相比对整个ARDS队列建模，显著提升ARDS死亡率的预测性能？
• RQ3 哪种子表型表现出最高的死亡率和最严重的临床指标，且可被可靠预测？
• RQ4 使用亚表型特异性模型相比统一模型，AUC及其他性能指标的相对提升程度如何？
• RQ5 关键临床变量（如胆红素、肌酐、PaO2/FiO2）在识别出的亚表型之间分布有何差异？

主要发现

• 潜在类别分析识别出三种具有不同临床特征和死亡率的ARDS亚表型，其中表型2的死亡率最高（48%）。
• 表型2（以高胆红素、高肌酐、血小板减少和低收缩压为特征）使用GBM模型的AUC达到0.986，显著优于整体模型（AUC 0.904）。
• 表型1使用GBM模型的AUC为0.983，同样显著优于整体模型（p < 0.0001）。
• 表型3仅表现出适度改善，AUC为0.909，与整体模型相比无显著差异（p = 0.6538）。
• 亚表型特异性模型实现了近乎完美的阴性预测值（1.000）和高敏感性（表型1为1.000），表明其在排除非事件方面能力极强。
• 本研究证明，通过LCA考虑ARDS的异质性，可显著提升机器学习预测性能，尤其在高死亡率亚组中表现突出。