PathwayLLM: Explainable Clinical Trajectory Modeling with Structured Pathways for Sepsis Prediction

Motivation

• Known: 기존 sepsis 예측 연구는 SOFA/qSOFA 같은 임상 점수, LSTM/GRU/Transformer 기반 시계열 모델, R-GCN 등 heterogeneous EHR graph 모델, 그리고 BEHRT·Med-BERT 등 EHR 특화 pretrained model과 최근 LLM 기반 임상 예측(NYUTron, GRASP, KARE) 등으로 발전해왔다.
• Gap: 시계열 모델은 population-level disease pattern을 반영하지 못하고, GNN은 상관관계만 학습할 뿐 명시적 구조적 해석을 제공하지 못하며, LLM은 고차원 시계열 구조화 EHR 데이터에 직접 적용하기 어려워 구조화된 근거 기반의 해석 가능한 patient-level 궤적 예측이 부재하다.
• Why: 패혈증은 전세계 사망의 약 20%를 차지하는 치명적 질환으로 조기 예측과 적시 개입이 필수적이며, 임상 채택을 위해서는 단순 feature attribution을 넘어 임상적 추론과 정합되는 해석 가능한 예측이 요구되기 때문에 이 연구는 중요하다.
• Approach: 생리학적 측정, 시계열 동역학, 이종 patient-diagnosis-medication 그래프, dependency 기반 pathway 신호를 다중 뷰로 인코딩한 뒤 이를 pretrained LLM의 auxiliary soft token으로 주입하고, Clinical Trajectory LSTM과 Deterioration Attention으로 window 표현을 patient-level 위험 점수와 근거 기반 설명으로 집계하는 3단계 접근을 제안한다.

Achievement

Figure 2. Knowledge Graph Structures. Left: HIN with 10,787

1. 높은 예측 성능: MIMIC-IV(15,410명 ICU 환자, 8.45% sepsis 유병률)에서 AUROC 0.891, AUPRC 0.724를 달성하여 강력한 시계열 및 pretrained baseline을 능가함.
2. 외부 검증 일반화: eICU에서 zero-shot AUROC 0.842, 경량 fine-tuning 후 AUROC 0.867을 기록해 타 병원 데이터에서도 견고한 성능을 보임.
3. 핵심 구성요소 검증: ablation 연구를 통해 trajectory aggregation과 structured clinical signal(그래프, pathway)이 성능 향상의 핵심 요인임을 입증함.
4. 임상적으로 유의미한 설명 생성: clinician review에서 생성된 설명이 일관성 있고 해석 가능하며 임상적으로 관련성이 높다고 평가됨.

How

Figure 1. PathwayLLM Three-Stage Architecture. Stage 1: Four encoders (Temporal, Trajectory, R-GCN, Pathway) extract 256

• Stage 1 (다중 뷰 인코딩): Temporal encoder, Trajectory encoder, R-GCN 기반 heterogeneous patient-diagnosis-medication graph encoder, PC algorithm 등 dependency discovery로 도출된 Pathway encoder가 각 24시간 observation window에서 256차원 embedding을 추출함.
• Stage 2 (LLM grounding): 각 modality의 embedding을 soft token 형태의 auxiliary contextual embedding으로 pretrained LLM(frozen, LoRA adaptation 적용)에 주입하고, Direct Path(Cross-Modal Fusion)와 LLM Path를 α_fuse-weighted fusion으로 결합하여 risk prediction과 evidence-conditioned 설명을 공동 학습함.
• Stage 3 (환자 수준 집계): Clinical Trajectory LSTM과 Deterioration Attention이 window-level 표현을 aggregate하여 critical deterioration point를 강조하고 patient-level risk score를 산출함.
• 데이터 및 평가: MIMIC-IV v3.1에서 sliding window(24h, stride 12h) 71,724개를 생성하고 sepsis-positive 환자는 onset 이전 window만 사용하는 censoring으로 temporal leakage를 방지했으며, 환자 단위 stratified 70/15/15 분할과 eICU 외부 검증, ablation, clinician 평가를 수행함.

Originality

• 시계열, heterogeneous graph, 통계적 dependency discovery 기반 pathway 신호를 하나의 프레임워크에서 통합하여 pretrained LLM에 soft token으로 주입하는 구조적 결합 방식이 새로움.
• 단순 feature attribution이 아닌 activated dependency pathway와 temporal attention weight를 결합한 evidence-conditioned 설명 생성 방식을 제안함.
• Clinical Trajectory LSTM에 Deterioration Attention을 결합해 critical deterioration point를 명시적으로 식별하는 patient-level aggregation 메커니즘을 설계함.
• 기존 LLM 기반 임상 예측 연구(NYUTron, GRASP, KARE)와 달리 frozen LLM을 환자별 시계열·그래프·dependency-pathway 근거로 grounding하는 방식을 채택함.

Limitation & Further Study

• 단일 기관(MIMIC-IV, 특정 ICU 코호트) 데이터로 개발되었으며, eICU 외부 검증에서도 fine-tuning 없이는 성능 저하가 있어 다양한 임상 환경과 인구 집단에 대한 추가 검증이 필요함.
• suspected-infection population으로 코호트를 한정했기 때문에 실제 임상에서 감염 의심 판정 이전 단계나 다른 환자군에는 일반화가 제한적일 수 있음.
• dependency discovery(PC algorithm 등)의 통계적 가정과 인과성 해석의 타당성에 대한 심층 검증이 부족하며, clinician review의 표본 크기와 평가 프로토콜의 엄밀성이 명확히 제시되지 않음.
• 후속 연구로 다기관 전향적 검증, 실제 임상 워크플로우 통합 시 실시간성/계산 비용 평가, 인과 구조의 정합성에 대한 정량적 검증이 필요함.

Evaluation

총평: 시계열·그래프·dependency 기반 구조적 근거를 LLM과 결합해 해석 가능한 sepsis 예측을 시도한 견고한 연구로, 성능과 외부 검증, 임상적 설명력 측면에서 의미 있는 기여를 하지만 다기관 전향적 검증과 인과적 해석의 엄밀성 보강이 필요하다.