Deep Learning-Based Missing Value Imputation for Heart Failure Mortality risk Prediction Data from MIMIC-III: A Comparative Study of DAE, SAITS, and MICE+LightGBM

Deze studie toont aan dat diepe leer-methoden, specifiek SAITS en DAE, significante betere prestaties leveren bij het imputeren van ontbrekende waarden in MIMIC-III hartfalen-data dan traditionele methoden zoals MICE+LightGBM, wat de implementatie van deze technieken in klinische beslissingsystemen ondersteunt.

De kern

Stel je voor dat het ziekenhuis een enorm, digitaal dagboek is van elke patiënt die in de intensive care ligt. Dit dagboek, genaamd MIMIC-III, staat vol met belangrijke gegevens over mensen met hartfalen: hun hartslag, bloeddruk, zuurstofgehalte en nog veel meer.

Maar er is een probleem: net als bij een ouderwetse pen en papier, gaan er bladzijden verloren. Soms valt de monitor uit, soms wordt een meting vergeten, en soms is een sensor kapot. In dit digitale dagboek zijn er dus gaten. Voor artsen die beslissingen moeten nemen over de levensreddende zorg, zijn die gaten gevaarlijk. Je kunt geen goed plan maken als je niet weet wat er precies is gebeurd.

Dit onderzoek is als een reparatiewerkplaats die drie verschillende manieren test om die gaten in het dagboek weer op te vullen, zodat het verhaal weer compleet is.

De Drie Reparateurs

De onderzoekers hebben drie 'reparateurs' (methodes) tegen elkaar laten strijden om te zien wie de gaten het beste kan dichten:

1. De Traditionele Klusjesman (MICE + LightGBM):
   Dit is een slimme, maar wat ouderwetse methode. Hij kijkt naar de regels in het dagboek en probeert de ontbrekende stukjes te raden op basis van wat hij al weet. Het is alsof hij zegt: "Nou, als de bloeddruk om 10:00 uur 120 was en om 12:00 uur 110, dan was hij om 11:00 uur waarschijnlijk 115." Hij doet zijn best, maar hij heeft geen gevoel voor de complexe patronen in het verhaal.

2. De Kunstzinnige Restaurator (DAE - Denoising Autoencoder):
   Dit is een kunstmatige intelligentie die is getraind om 'ruis' te verwijderen. Stel je voor dat je een schilderij hebt waar een deel van de verf is afgekrabd. Deze AI heeft duizenden andere schilderijen gezien en weet precies hoe de verf eruit zou moeten hebben gezien. Hij vult de gaten in op basis van een heel diep begrip van het totale plaatje.

3. De Opmerkzame Detective (SAITS):
   Deze AI is een meester in het kijken naar de tijdlijn. Hij let niet alleen op één moment, maar kijkt naar het hele verhaal van begin tot eind. Hij ziet patronen die anderen missen, zoals: "Aha, elke keer als de hartslag stijgt, volgt er een paar minuten later een daling in de bloeddruk." Hij gebruikt deze 'zelfaandacht' om de gaten heel slim in te vullen.

Het Experiment

De onderzoekers hebben een trucje uitgehaald. Ze hebben het perfecte dagboek van 14.090 patiënten genomen en er zelf gaten in geboord:

• Soms miste 20% van de gegevens.
• Soms miste 30%.
• En soms was er zelfs 50% weg! (Dat is alsof je de helft van je dagboek hebt weggegooid).

Vervolgens lieten ze de drie reparateurs aan het werk en keken ze naar de foutmarge. Hoe dichter de ingevulde getallen bij de echte, oorspronkelijke waarden lagen, hoe beter ze scoorden.

De Uitslag: De AI wint

Het resultaat was duidelijk:

• De traditionele klusjesman (MICE) deed het redelijk bij kleine gaten, maar bij grote gaten (50% missend) begon hij te struikelen. Hij raakte de draad kwijt.
• De twee AI-reparateurs (DAE en SAITS) waren veel beter. Ze hielden hun hoofd koel, zelfs als de helft van de gegevens weg was.
  • Bij 20% gaten waren ze allebei fantastisch, met DAE een heel klein beetje sneller.
  • Bij 50% gaten (de zware test) was SAITS de absolute winnaar, gevolgd door DAE. Ze konden de complexe patronen in het hartfalen-verhaal zo goed doorgronden dat ze de gaten bijna perfect vulden.

Wat betekent dit voor de toekomst?

De conclusie is simpel: Als je wilt weten of een patiënt met hartfalen het gaat redden, moet je een slimme AI gebruiken om de ontbrekende gegevens op te vullen.

De oude, traditionele methodes zijn als een fiets zonder versnellingen: ze werken, maar ze komen niet ver als de weg steil wordt (veel missende data). De nieuwe Deep Learning-methodes zijn als een elektrische auto met een slim navigatiesysteem: ze vinden altijd de beste route, zelfs als de kaart gaten heeft.

Dit betekent dat artsen in de toekomst betere, veiliger beslissingen kunnen nemen voor hun patiënten, omdat ze kunnen vertrouwen op een completer en accurater beeld van de gezondheid van de patiënt. De gaten in het dagboek zijn niet langer een probleem, maar gewoon een puzzel die de computer voor hen oplost.

Technische samenvatting

Probleemstelling

Elektronische Gezondheidsregistraties (EHR) zijn van cruciaal belang voor Klinische Beslissingsondersteunende Systemen (CDSS) en voor het verlenen van adequate zorg aan patiënten met hartfalen op de Intensive Care (ICU). Een veelvoorkomend en kritiek probleem in deze data is echter de aanwezigheid van ontbrekende waarden, vaak veroorzaakt door fouten in monitoringapparatuur. Deze data-integriteitsproblemen kunnen de nauwkeurigheid van voorspellingsmodellen voor mortaliteitsrisico negatief beïnvloeden, wat de noodzaak onderstreept voor robuuste methodologieën om ontbrekende data te imputeren (aan te vullen).

Methodologie

De studie analyseerde data van 14.090 ICU-opnames van hartfalenpatiënten afkomstig uit de MIMIC-III-database. De aanpak omvatte de volgende stappen:

1. Feature Selectie: Op basis van klinische relevantie werden 19 klinische kenmerken geselecteerd. Deze selectie werd ondersteund door een combinatie van Random Forest-analyse, correlatieanalyse en Mutual Information.
2. Experimenteel Ontwerp: Om de robuustheid van de methoden te testen, werden kunstmatig ontbrekende waarden geïntroduceerd in het dataset op drie niveaus: 20%, 30% en 50%.
3. Vergelijkende Analyse: Drie verschillende imputatiemethoden werden met elkaar vergeleken:
   • DAE: Denoising Autoencoder (een deep learning-methode).
   • SAITS: Self-Attention Imputation for Time Series (een deep learning-methode specifiek voor tijdsreeksen).
   • MICE + LightGBM: Multiple Imputation by Chained Equations gecombineerd met LightGBM (een traditionele statistische methode versterkt met een machine learning-algoritme).
4. Evaluatiemetrics: De prestaties werden gemeten aan de hand van drie foutmaten:
   • Mean Absolute Error (MAE)
   • Root Mean Square Error (RMSE)
   • Normalized Root Mean Square Error (NRMSE)

Belangrijkste Bijdragen

• Vergelijkend Onderzoek: Het biedt een directe, gestructureerde vergelijking tussen geavanceerde deep learning-architecturen (DAE en SAITS) en geavanceerde traditionele methoden (MICE+LightGBM) specifiek voor hartfalendata.
• Robuustheidstest: De studie test de methoden onder zware omstandigheden door het percentage ontbrekende data op te voeren tot 50%, wat een realistische maar uitdagende scenario voor ICU-data weergeeft.
• Validatie op Klinische Data: In plaats van synthetische data, wordt de validatie uitgevoerd op een groot, real-world dataset (MIMIC-III), wat de klinische relevantie van de bevindingen verhoogt.

Resultaten

De resultaten tonen duidelijk aan dat deep learning-methoden superieur zijn aan de traditionele aanpak:

• Algemene Prestatie: Zowel DAE als SAITS presteerden over het algemeen beter dan MICE+LightGBM bij alle niveaus van ontbrekende data.
• Bij 20% Ontbrekende Data:
  • DAE behaalde de beste resultaten met een gemiddelde MAE van 0,004967, RMSE van 0,005217 en NRMSE van 3,260893.
  • SAITS volgde zeer dicht achter met een MAE van 0,005461, RMSE van 0,005797 en NRMSE van 3,244695.
  • MICE+LightGBM resulteerde in een aanzienlijk hoger aantal fouten.
• Bij 50% Ontbrekende Data:
  • SAITS toonde de beste prestaties, gevolgd door DAE.
  • De prestaties van MICE+LightGBM namen significant af naarmate het percentage ontbrekende data toenam.
• Consistentie: Deep learning-methoden behielden een consistent nauwkeurigheidsniveau over de verschillende klinische variabelen heen, terwijl de traditionele methode minder stabiel bleek bij hoge mate van data-ontbreken.

Betekenis en Conclusie

De studie concludeert dat deep learning-gebaseerde imputatiemethoden significant beter presteren dan traditionele methoden voor het aanvullen van ontbrekende waarden in ICU-data van hartfalenpatiënten.

Deze bevindingen ondersteunen de implementatie van methoden zoals SAITS en DAE in Klinische Beslissingsondersteunende Systemen. Door de nauwkeurigheid van de ingevulde data te maximaliseren, kunnen deze systemen betrouwbare voorspellingen doen over het mortaliteitsrisico, wat uiteindelijk leidt tot betere klinische beslissingen en een verbeterde patiëntenzorg. De studie benadrukt dat voor complexe, tijdsafhankelijke medische data, traditionele statistische imputatie niet langer voldoende is en dat deep learning de nieuwe standaard moet worden.