情報量のある欠測を用いたマルチモーダル臨床時系列からの動的表現とポリシー学習

要旨: マルチモーダルな臨床記録には、構造化された測定値と、時間の経過とともに記録された臨床ノートが含まれており、患者の健康状態がどのように変化していくかに関する豊かな時系列情報を提供します。とはいえ、これらの観測はまばらであり、観測が記録されるかどうかは患者の潜在的な状態に依存します。さらに、観測パターンはモダリティ間でも異なります。というのも、構造化された測定値と臨床ノートは、それぞれ異なる記録プロセスのもとで作成されるからです。これまでの研究では、臨床時系列における欠測（missingness）を扱う手法が開発されてきましたが、観測プロセスそれ自体が担っている情報をどのように抽出し、どのように利用するかは、十分に調査されていません。そこで本研究では、情報量のある欠測を明示的に活用する、マルチモーダル臨床時系列のための患者表現学習フレームワークを提案します。このフレームワークは、(1) 構造化データとテキストデータからの信号と、その観測パターンをともに捉えるマルチモーダルエンコーダ、(2) 観測されたマルチモーダル信号から時間とともに潜在的な患者状態を更新するベイズフィルタリングモジュール、(3) 学習された患者状態に基づいてオフライン治療方針（treatment policy）学習と患者アウトカム予測を行う下流モジュール、を組み合わせます。本フレームワークを、MIMIC-III、MIMIC-IV、およびeICUのICU敗血症コホートで評価します。これは、オフラインの治療方針学習と有害アウトカム予測の両方を改善し、FQE 0.679（臨床医の行動に対して）に対して0.528、またMIMIC-IIIにおける72時間以降の死亡リスク予測のAUROCが0.886となり、既存結果を上回ります。