Explain Variance of Prediction in Variational Time Series Models for Clinical Deterioration Prediction

要約

欠損と測定頻度は表裏の関係にあります。
臨床変数を測定し臨床検査を実施する頻度はどれくらいですか?
それは、患者の状態の安定性、診断プロセス、治療計画、測定コストなどの多くの要因によって決まります。
測定の有用性は疾患ごと、患者ごとに異なります。
この研究では、予測モデリングの観点から臨床変数の測定頻度に関する新しい見方を提案します。つまり、臨床変数の測定によりモデル予測の不確実性が軽減されます。
この目標を達成するために、我々は、認識論的予測の不確実性を帰属させるためのShapley Additive Expanation(SHAP)アルゴリズムの応用である、変分時系列モデルを備えた分散SHAPを提案する。
予測分散は、変分モデルの条件付き隠れ空間をサンプリングすることによって推定され、デルタ法によって決定論的に近似できます。
このアプローチは、変分リカレント ニューラル ネットワークや変分トランスフォーマーなどの変分時系列モデルで機能します。
SHAP 値は加算的なため、バイナリ データ代入マスクの分散 SHAP は、測定による予測分散への寄与として直接解釈できます。
私たちは劣化予測タスクを使用して公開 ICU データセットでアイデアをテストし、分散 SHAP と測定時間間隔の関係を研究しました。

要約(オリジナル)

Missingness and measurement frequency are two sides of the same coin. How frequent should we measure clinical variables and conduct laboratory tests? It depends on many factors such as the stability of patient conditions, diagnostic process, treatment plan and measurement costs. The utility of measurements varies disease by disease, patient by patient. In this study we propose a novel view of clinical variable measurement frequency from a predictive modeling perspective, namely the measurements of clinical variables reduce uncertainty in model predictions. To achieve this goal, we propose variance SHAP with variational time series models, an application of Shapley Additive Expanation(SHAP) algorithm to attribute epistemic prediction uncertainty. The prediction variance is estimated by sampling the conditional hidden space in variational models and can be approximated deterministically by delta’s method. This approach works with variational time series models such as variational recurrent neural networks and variational transformers. Since SHAP values are additive, the variance SHAP of binary data imputation masks can be directly interpreted as the contribution to prediction variance by measurements. We tested our ideas on a public ICU dataset with deterioration prediction task and study the relation between variance SHAP and measurement time intervals.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google