Transformer-based Time-to-Event Prediction for Chronic Kidney Disease Deterioration

要約

深層学習技術、特にトランスフォーマー モデルは、長期にわたる健康記録の予測パフォーマンスを向上させる上で大きな可能性を示しています。
これまでの方法は主に固定時間のリスク予測に焦点を当ててきましたが、多くの場合、臨床シナリオにはイベント発生までの時間予測 (生存分析とも呼ばれます) の方が適切です。
ここでは、STRAFE と名付けた新しいディープラーニング アーキテクチャを紹介します。これは、電子医療記録用の一般化可能な生存分析トランスフォーマー ベースのアーキテクチャです。
STRAFE のパフォーマンスは、ステージ 3 の慢性腎臓病 (CKD) 患者 130,000 人を超える実際の請求データセットを使用して評価され、ステージ 5 への悪化の正確な時間を予測する点で、他の時間予測アルゴリズムよりも優れていることが判明しました。
さらに、STRAFE は、おそらく打ち切りデータでトレーニングできるため、固定時間リスクの予測においてバイナリ結果アルゴリズムよりも優れたパフォーマンスを発揮することがわかりました。
我々は、STRAFE 予測が高リスク患者の陽性的中率を 3 倍改善できることを示し、介入プログラムのターゲティングを改善するために使用できる可能性を示しています。
最後に、患者ごとの予測に対する新しい視覚化アプローチを提案します。
結論として、STRAFE は最先端のイベント発生までの時間予測アルゴリズムであり、大規模な保険金請求データセットにおけるリスク予測を強化する可能性があります。

要約(オリジナル)

Deep-learning techniques, particularly the transformer model, have shown great potential in enhancing the prediction performance of longitudinal health records. While previous methods have mainly focused on fixed-time risk prediction, time-to-event prediction (also known as survival analysis) is often more appropriate for clinical scenarios. Here, we present a novel deep-learning architecture we named STRAFE, a generalizable survival analysis transformer-based architecture for electronic health records. The performance of STRAFE was evaluated using a real-world claim dataset of over 130,000 individuals with stage 3 chronic kidney disease (CKD) and was found to outperform other time-to-event prediction algorithms in predicting the exact time of deterioration to stage 5. Additionally, STRAFE was found to outperform binary outcome algorithms in predicting fixed-time risk, possibly due to its ability to train on censored data. We show that STRAFE predictions can improve the positive predictive value of high-risk patients by 3-fold, demonstrating possible usage to improve targeting for intervention programs. Finally, we suggest a novel visualization approach to predictions on a per-patient basis. In conclusion, STRAFE is a cutting-edge time-to-event prediction algorithm that has the potential to enhance risk predictions in large claims datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google