Preservación de la privacidad del aprendizaje federado para la predicción de la mortalidad a los 90 días en la...

Área de la Ciencia:

• Inteligencia artificial quirúrgica
• El aprendizaje automático en el cuidado de la salud
• La privacidad de los datos en la investigación médica

Sus antecedentes:

• La disponibilidad limitada de datos dificulta el avance de la IA en la cirugía.
• El aprendizaje federado (FL) ofrece un enfoque descentralizado de preservación de la privacidad para modelos de IA multicéntricos.
• Este estudio explora la FL con privacidad diferencial (DP) para predecir la mortalidad por cirugía colorrectal.

Objetivo del estudio:

• Desarrollar y evaluar una red de aprendizaje federada para predecir la mortalidad a los 90 días después de la cirugía colorrectal.
• Evaluar el rendimiento de FL en comparación con los modelos centralizados.
• Investigar el impacto de la privacidad diferencial (DP) en la precisión del modelo.

Principales métodos:

• Análisis retrospectivo de 2959 pacientes sometidos a cirugía colorrectal electiva en tres centros (2015-2021).
• Desarrollo de redes neuronales (RN) para la predicción de la mortalidad utilizando FL centralizado y distribuido.
• Aplicación de técnicas de privacidad diferencial (DP) local y central.
• Evaluación del rendimiento utilizando el área bajo la característica de funcionamiento del receptor (AUROC) y la curva de precisión-recall (AUPRC).

Principales resultados:

• El aprendizaje federado (FL) logró un rendimiento no inferior al de los modelos centralizados para la predicción de la mortalidad (AUROC: 0,78 frente a 0,81).
• El DP central redujo el AUROC en un 5% y el AUPRC en un 45%; el DP local disminuyó significativamente el rendimiento.
• Los predictores clave identificados incluyen edad, estado sanguíneo e índice de comorbilidad de Charlson.

Conclusiones:

• El aprendizaje federado (FL) proporciona una alternativa viable al aprendizaje automático centralizado para aplicaciones quirúrgicas de IA, logrando un rendimiento comparable.
• La integración de la privacidad diferencial (DP) para una mayor protección de datos está asociada con una compensación en la precisión del modelo predictivo.
• Los marcos de FL tienen potencial para acelerar el desarrollo de la IA en cirugía al tiempo que abordan las preocupaciones de privacidad de los datos.