Learning Hierarchical Representations of Electronic Health Records for Clinical Outcome Prediction

[namakemono]

#	##
論文リンク	https://arxiv.org/abs/1903.08652v1
著者	Luchen Liu, Haoran Li, Zhiting Hu, Haoran Shi, Zichang Wang, Jian Tang, Ming Zhang
投稿日時	2019-03-20
コード

概要

電子健康記録（EHR）に基づいた臨床転帰予測は、医療の質を向上させる上で重要な役割を果たします。従来のディープシーケンシャルモデルは、長くて不規則な臨床イベントシーケンスでエンコードされた豊富な時間的パターンを捉えることができません。我々は、長期間の臨床的事象は強い時間的パターンを示す一方で、短期間の事象は混乱した共起である傾向があることを観察する。我々はこのように異なる時間スケールで臨床イベントをモデル化するための差別化されたメカニズムを提案する。我々のモデルはイベントシーケンスの階層的表現を学習して、短距離イベントと長距離イベントを適応的に区別し、コアテンポラル依存性を正確に捉えます。実際の臨床データに関する実験結果は、我々のモデルが以前の最先端モデルよりも大幅に改善されることを示しています。

先行研究と比べてどこがすごい？

• イベント(e.g. MRI撮影や投薬etc)ごとにグループ化して予測することで，時系列ごとの不規則な変化による影響を軽減

技術や手法のキモはどこ？

• イベントごとにEvent Embedding, RNN(GRU)として特徴量を抽出
• Attention Mechanismで重要なイベントのみ抽出 -- Event EmbeddintとGRUの間にEvent Attentionを差し込む -- Temporal Attentionで最終的な特徴量を抽出予測

どうやって有効だと検証した？

• 死亡や集中治療室込の入院の予測で評価し，既存手法(RETAINやRNN)より良い性能を出す
• Event AttentionやTemporal Attentionを抜いたablation studyを行うことで，Event Attentionが重要であることを実証

議論はある？

• GRU部分を捨ててTransformerにしたら性能改善？

次に読むべき論文は？

[1]. ZHANG, Xi Sheryl, et al. MetaPred: Meta-Learning for Clinical Risk Prediction with Limited Patient Electronic Health Records. arXiv preprint arXiv:1905.03218, 2019.