Una hoja de ruta para proyectos de aprendizaje federado utilizando datos de salud para guiar el desarrollo sostenible...

Área de la Ciencia:

• Salud Digital
• Inteligencia artificial
• Investigación de datos de salud

Sus antecedentes:

• Los datos de salud digital ofrecen oportunidades de innovación pero enfrentan desafíos de privacidad, legales y éticos.
• El Aprendizaje Federado (FL) es un enfoque que preserva la privacidad, sin embargo, la investigación actual carece de orientación ética, legal y administrativa integrada para aplicaciones de atención médica.
• La investigación existente se centra principalmente en aspectos técnicos de FL, descuidando un marco holístico de extremo a extremo para la atención médica.

Objetivo del estudio:

• Desarrollar una hoja de ruta integral para la investigación responsable y escalable de Aprendizaje Federado (FL) en el contexto de la atención médica europea.
• Integrar principios éticos, legales, técnicos y administrativos en un marco unificado para proyectos de FL que utilizan datos de salud.
• Abordar la brecha en la orientación de extremo a extremo para la implementación de FL en la atención médica.

Principales métodos:

• Un enfoque participativo multimétodo que involucra encuestas a expertos del dominio, revisiones de literatura y mapeo de políticas.
• Participación de las partes interesadas a través de un taller en línea para refinar los componentes de la hoja de ruta y discutir la viabilidad, escalabilidad y sostenibilidad.
• Validación y refinamiento iterativo por parte de un panel de expertos centrado en la gobernanza, la sostenibilidad y la transferibilidad.

Principales resultados:

• Una hoja de ruta estructurada en seis fases que integra consideraciones éticas, legales, técnicas, administrativas y de sostenibilidad para FL en datos de salud.
• Énfasis en la colaboración multidisciplinaria, la gobernanza a largo plazo, la escalabilidad y la reutilización de la infraestructura.
• Orientación práctica que aborda la alineación regulatoria, la gobernanza compartida, el desarrollo de capacidades y la integración con las infraestructuras existentes.

Conclusiones:

• Consolidación de las primeras lecciones aprendidas de FL en la atención médica en una hoja de ruta práctica y paso a paso para el contexto europeo.
• Proporciona un marco compartido para mejorar las colaboraciones de IA confiables, escalables y compatibles en los sistemas de atención médica.
• Apoya a diversos interesados en la navegación de las complejidades de la implementación de FL en la investigación de atención médica.