Un marco de aprendizaje federado para la asignación ética dinámica de tratamientos en hospitales heterogéneos

Área de la Ciencia:

• Aprendizaje automático
• Informática sanitaria
• Apoyo a la toma de decisiones clínicas

Sus antecedentes:

• Los hospitales a menudo atienden a poblaciones de pacientes diversas, lo que hace que los protocolos de tratamiento universales sean subóptimos.
• Los métodos existentes de asignación de tratamientos pueden no abordar adecuadamente las variaciones interhospitalarias o las preocupaciones sobre la privacidad del paciente.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje federado adaptativo para optimizar los tratamientos individuales de los hospitales.
• Mejorar la eficiencia de la asignación de tratamientos garantizando la privacidad, la equidad y la seguridad.

Principales métodos:

• Una estrategia federada de recomendación de tratamientos formulada como un problema de Multi-Armed Bandit (MAB).
• Un hospital líder coordina el aprendizaje adaptativo y transfiere los Límites Superiores de Confianza (UCB) y los Límites Superiores Personalizados.
• Método validado en un ensayo clínico simulado utilizando datos reales de COVID-19.

Principales resultados:

• El aprendizaje colaborativo reduce la cantidad de muestras de datos necesarias por institución preservando la privacidad del paciente.
• Se garantiza la equidad mitigando los sesgos de las diferentes poblaciones de pacientes.
• Mejora de la seguridad al minimizar la administración de tratamientos subóptimos.
• Supera el estado del arte, requiriendo un 36-75% menos de datos y administrando tratamientos óptimos a un 0,95-48,6% más de pacientes.

Conclusiones:

• Una estrategia adaptativa de aprendizaje federado recomienda eficazmente tratamientos óptimos para hospitales individuales.
• El marco aborda la privacidad, la equidad y la seguridad en entornos sanitarios heterogéneos.