Aprendizaje federado personalizado con reponderación jerárquica para la predicción clínica multicéntrica

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Informática de la salud

Sus antecedentes:

• Los registros electrónicos de salud (EHR) son cruciales para la predicción clínica, pero a menudo se distribuyen en múltiples centros médicos.
• El aprendizaje federado permite la capacitación de modelos colaborativos sin compartir datos, pero la heterogeneidad de los datos de DSE multicéntricos plantea desafíos.
• Los métodos existentes tienen dificultades para lograr un rendimiento predictivo satisfactorio debido a las variaciones en los datos de los pacientes entre las instituciones.

Objetivo del estudio:

• Desarrollar un método de aprendizaje federado personalizado (PFL) que sobresalga en los datos locales mientras aprovecha los conocimientos globales.
• Abordar el desafío de la heterogeneidad de los datos en los DSE multicéntricos para mejorar la predicción clínica.
• Entrenar modelos individuales para cada cliente que funcionen bien con sus datos específicos.

Principales métodos:

• Propuso FedRew, un método de aprendizaje federado personalizado (PFL) basado en el metaaprendizaje independiente del modelo.
• Implementación de una nueva ponderación jerárquica para la adaptación local y la agregación global durante la formación federada.
• Se utilizó un esquema de minimización alternativo para la reponderación de la muestra y un mecanismo de ponderación actualizado continuamente para la agregación.

Principales resultados:

• FedRew demostró un rendimiento promedio superior y un rango promedio en el conjunto de datos eICU-CRD en comparación con las líneas de base y los métodos PFL de última generación.
• Logró un promedio de AUROC de 0.894 para la predicción de mortalidad en el hospital.
• Alcanzó un promedio de RMSE de 1.464 para la predicción de la duración restante de la estancia.

Conclusiones:

• FedRew maneja efectivamente la heterogeneidad de los datos en los DSE multicéntricos.
• El método muestra un rendimiento competitivo para las tareas de predicción clínica de la unidad de cuidados intensivos (UCI).
• FedRew tiene un potencial significativo para mejorar las predicciones clínicas personalizadas en entornos de atención médica distribuidos.