多段階の不完全マルチモーダルEHRから院内死亡予測を行うための臨床ポイントクラウド・パラダイム

要旨: 多モーダルな電子健康記録（EHR）を深層学習でモデル化することは、臨床診断およびリスク予測にとって重要なアプローチとなっています。しかし、臨床ワークフローの多様性やプライバシー上の制約により、生のEHRは本質的に多レベルで不完全です。具体的には、不規則サンプリング、欠落しているモダリティ、疎なラベルなどが含まれます。これらの問題は、時間的な位置ずれ、モダリティ間の不均衡、ならびに限定的な監督（スーパービジョン）を引き起こします。既存の多モーダル手法の多くは比較的データが揃っていることを前提としており、また、不完全性に対処することを目的とした手法であっても、通常はこれらの課題のうち1つか2つだけを単独で扱います。その結果、硬直した時間／モダリティの整列に依存したり、不完全なデータを破棄したりしがちで、生の臨床的セマンティクスが歪められる可能性があります。
この問題に対処するために、我々は、多レベルで不完全なEHRのための統一的な臨床ポイントクラウド・パラダイムであるHealthPoint（HP）を提案します。HPは、不均一な臨床イベントを、コンテンツ、時間、モダリティ、ケースによって定義される連続的な4次元空間上の点として表現します。任意の点ペア間の相互作用をモデル化するために、4つの次元にまたがる高次の依存関係を効率的に捉えるLow-Rank Relational Attention（低ランクリレーショナル注意）機構を導入します。さらに、微細なモデリングと計算効率のバランスを取るために、階層的な相互作用およびサンプリング戦略を開発します。この枠組みに基づき、HPは柔軟なイベント・レベルの相互作用と、きめ細かな自己教師あり学習を可能にし、頑健なモダリティ回復と、ラベルなしデータの効果的な活用を支援します。リスク予測のための大規模EHRデータセットに関する実験では、HPが、不完全性の程度が変化する条件下でも一貫して最先端の性能を達成し、高い頑健性を示すことが確認されました。