Patienten-Subtypisierung mittels zeitbewusster LSTM-Netzwerke

Bei der Untersuchung verschiedener Krankheiten führt die Heterogenität zwischen Patienten häufig zu unterschiedlichen Verlaufsverläufen und erfordert möglicherweise unterschiedliche therapeutische Ansätze. Daher ist die Analyse von Patientenuntergruppen – also die Gruppierung von Patienten in krankheitscharakterisierende Subtypen – von großer Bedeutung. Die Subtypisierung auf Basis komplexer Patientendaten ist jedoch herausfordernd, da sowohl informationelle Heterogenität als auch zeitliche Dynamik vorliegen. Long-Short Term Memory (LSTM)-Einheiten haben sich in vielen Bereichen erfolgreich bei der Verarbeitung sequenzieller Daten bewährt und wurden kürzlich auch für die Analyse longitudinaler Patientenprotokolle eingesetzt. Die klassischen LSTM-Einheiten sind jedoch darauf ausgelegt, Daten mit konstanten zeitlichen Abständen zwischen aufeinanderfolgenden Elementen zu verarbeiten. Da die zeitlichen Abstände zwischen aufeinanderfolgenden Einträgen in Patientenakten jedoch von Tagen bis zu Monaten variieren können, führt die Anwendung herkömmlicher LSTM-Strukturen zu suboptimalen Ergebnissen. In diesem Artikel stellen wir eine neuartige LSTM-Einheit namens Time-Aware LSTM (T-LSTM) vor, die unregelmäßige Zeitintervalle in longitudinalen Patientendaten effektiv verarbeiten kann. Wir lernen eine Unterraumzerlegung des Zellgedächtnisses, die eine zeitliche Dekay-Funktion ermöglicht, um den Inhalt des Gedächtnisses entsprechend der vergangenen Zeit abzuschwächen. Wir entwickeln ein Modell zur Patientenuntergruppierung, das die vorgeschlagene T-LSTM in einem Autoencoder nutzt, um eine leistungsfähige, einheitliche Darstellung für die sequenziellen Patientendaten zu lernen, die anschließend zur Clusterung der Patienten in klinische Subtypen verwendet wird. Experimente an synthetischen und realen Datensätzen zeigen, dass die vorgeschlagene T-LSTM-Architektur die zugrundeliegenden Strukturen in sequenziellen Daten mit unregelmäßigen Zeitintervallen effektiv erfasst.