Foundation Model of Electronic Medical Records for Adaptive Risk Estimation
Created by
Haebom
저자
Pawel Renc, Michal K. Grzeszczyk, Nassim Oufattole, Deirdre Goode, Yugang Jia, Szymon Bieganski, Matthew B. A. McDermott, Jaroslaw Was, Anthony E. Samir, Jonathan W. Cunningham, David W. Bates, Arkadiusz Sitek
개요
미국은 GDP의 거의 18%를 의료에 할당하지만 다른 고소득 국가들에 비해 평균 수명이 낮고 예방 가능한 사망률이 높습니다. 병원들은 사망률, 중환자실 입원, 장기 입원과 같은 중요한 결과를 예측하는 데 어려움을 겪고 있습니다. NEWS 및 MEWS와 같은 기존의 조기 경고 시스템은 정적 변수와 고정 임계값에 의존하여 적응성, 정확성 및 개인 맞춤화에 제한이 있습니다. 본 연구에서는 EHR에서 환자 건강 타임라인(PHT)을 토큰화하고 트랜스포머 기반 아키텍처를 사용하여 미래 PHT를 예측하는 AI 모델인 Enhanced Transformer for Health Outcome Simulation (ETHOS)을 개발했습니다. Adaptive Risk Estimation System (ARES)은 ETHOS를 활용하여 임상의가 정의한 중요한 사건에 대한 동적이고 개인화된 위험 확률을 계산합니다. ARES는 또한 위험 추정에 영향을 미치는 주요 임상 요인을 강조하는 개인화된 설명 가능성 모듈을 갖추고 있습니다. 응급실 환경에서 MIMIC-IV v2.2 데이터 세트에 대해 ARES를 평가하고 기존 조기 경고 시스템 및 기계 학습 모델과 성능을 비교했습니다. 299,721명의 고유 환자 중 285,622개의 PHT(병원 입원 60%)가 처리되었으며 3억 5천 7백만 개 이상의 토큰으로 구성되었습니다. ETHOS는 병원 입원, 중환자실 입원 및 장기 입원 예측에서 벤치마크 모델보다 우수한 성능을 보였으며, 우수한 AUC 점수를 달성했습니다. 그 위험 추정치는 인구 통계적 하위 그룹에서 견고했으며, 보정 곡선은 모델의 신뢰성을 확인했습니다. 설명 가능성 모듈은 환자 특유의 위험 요소에 대한 귀중한 통찰력을 제공했습니다. ETHOS를 기반으로 하는 ARES는 환자 특유의 설명 가능성을 갖춘 동적이고 실시간이며 개인화된 위험 추정을 제공함으로써 예측 의료 AI를 발전시킵니다. 그 적응성과 정확성은 임상 의사 결정을 위한 혁신적인 도구를 제공하여 환자 결과와 자원 할당을 개선할 수 있습니다.
시사점, 한계점
•
시사점:
◦
EHR 데이터를 활용한 트랜스포머 기반 AI 모델을 통해 환자의 위험을 동적으로, 개인적으로 예측 가능.
◦
기존 조기 경고 시스템보다 향상된 정확도와 적응성을 제공.
◦
개인화된 설명 가능성 모듈을 통해 임상의의 의사 결정 지원.
◦
환자 결과 개선 및 의료 자원 효율적 배분에 기여 가능.
•
한계점:
◦
MIMIC-IV 데이터셋에 대한 평가 결과이므로 다른 데이터셋에 대한 일반화 성능 검증 필요.
