A New Deep State-Space Analysis Framework for Patient Latent State Estimation and Classification from EHR Time Series Data

要約

がんや慢性疾患を含む多くの病気には、長期間の治療期間と長期的な戦略が必要です。
このニーズに対処するために、電子医療記録 (EHR) に焦点を当てた機械学習と AI 研究が登場しました。
効果的な治療戦略には、患者の検査値の連続的な変化を捉えるだけではありません。
患者の内部状態を時間の経過とともに捉え、説明可能かつ臨床的に解釈可能なモデルが必要です。
本研究では、深い状態空間モデルを用いたEHRの時系列教師なし学習を用いた「深い状態空間解析フレームワーク」を提案する。
このフレームワークにより、疾患の進行に関連する患者の潜在状態の時間的変化の学習、視覚化、およびクラスタリングが可能になります。
私たちは、12,695 人のがん患者からの時系列検査データを使用してフレームワークを評価しました。
潜在状態を推定することで、予後に関わる潜在状態を発見することに成功しました。
可視化とクラスター分析により、各抗がん剤に特徴的な患者の状態の時間的推移や状態遷移時の検査項目を特定しました。
私たちのフレームワークは、解釈可能な潜在空間を捕捉する点で既存の手法を超えています。
EHR から病気の進行についての理解を深め、治療の調整や予後の決定に役立つことが期待できます。

要約(オリジナル)

Many diseases, including cancer and chronic conditions, require extended treatment periods and long-term strategies. Machine learning and AI research focusing on electronic health records (EHRs) have emerged to address this need. Effective treatment strategies involve more than capturing sequential changes in patient test values. It requires an explainable and clinically interpretable model by capturing the patient’s internal state over time. In this study, we propose the ‘deep state-space analysis framework,’ using time-series unsupervised learning of EHRs with a deep state-space model. This framework enables learning, visualizing, and clustering of temporal changes in patient latent states related to disease progression. We evaluated our framework using time-series laboratory data from 12,695 cancer patients. By estimating latent states, we successfully discover latent states related to prognosis. By visualization and cluster analysis, the temporal transition of patient status and test items during state transitions characteristic of each anticancer drug were identified. Our framework surpasses existing methods in capturing interpretable latent space. It can be expected to enhance our comprehension of disease progression from EHRs, aiding treatment adjustments and prognostic determinations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google