RELEAP: 電子健康記録のための強化学習強化型ラベル効率的アクティブ表現型作成

科学分野:

• 生物医学情報学;ヘルスケアにおける機械学習;臨床意思決定支援

背景:

• 電子健康記録（EHR）の表現型作成では、ノイズの多いプロキシラベルが使用されることが多く、リスク予測の信頼性に影響を与えます。既存のアクティブ学習法は、下流の予測パフォーマンスを直接最適化しません。

研究 の 目的:

• 下流の予測パフォーマンスを表現型補正とサンプル選択のフィードバックとして使用するフレームワークを開発すること。ラベル付け予算が制約されているEHRベースのリスク予測の信頼性を向上させること。

主な方法:

• 強化学習ベースのアクティブ学習フレームワークであるRELEAP（Reinforcement-enhanced Label-efficient Active Phenotyping）を提案しました。RELEAPは、クエリ戦略を適応的に統合し、下流のモデルフィードバックに基づいてポリシーを更新します。ロジスティック回帰およびペナルティ付きCox生存モデルを使用して、肺がんのリスク予測のためにDuke University Health SystemコホートでRELEAPを評価しました。

主要な成果:

• RELEAPはプロキシのみのベースラインを改善し、オラクルパフォーマンスに近づきました。ロジスティックAUCは0.774から0.807に増加しました。生存一致指数は0.715から0.749に増加しました。パフォーマンスの向上は、反復全体で安定しており、性別層別分析でも一貫していました。

結論:

• RELEAPは、表現型の洗練を下流の予測結果に結び付け、下流の識別とキャリブレーションを改善するサンプルを特定します。固定アクティブ学習ルールに代わる原理的な選択肢を提供します。EHRベースのリスク予測のためのスケーラブルでラベル効率的なパラダイムを提供し、手動レビューを削減し、信頼性を向上させます。