Inferencia Bayesiana Federada para modelos de regresión basados en datos no compartidos de centros médicos

Área de la Ciencia:

• Bioestadística
• Modelado Estadístico
• Aprendizaje Automático

Sus antecedentes:

• Los modelos de regresión requieren un tamaño de muestra suficiente para una estimación precisa de los parámetros.
• La falta de datos conduce a sobreajuste y predicciones poco fiables en entornos médicos.
• La agrupación de datos entre centros a menudo es inviable debido a restricciones de privacidad y logísticas.

Objetivo del estudio:

• Introducir la Inferencia Bayesiana Federada (BFI) como un método para combinar resultados estadísticos de datos descentralizados.
• Permitir un análisis preciso del modelo de regresión sin agrupar datos sensibles.
• Proporcionar una solución práctica para mejorar la precisión predictiva en entornos con pocos datos.

Principales métodos:

• Se aplica la metodología de Inferencia Bayesiana Federada (BFI) para analizar datos locales por separado.
• Se combinan los resultados de inferencia estadística de los centros individuales.
• El enfoque tiene en cuenta tanto la homogeneidad como la heterogeneidad entre las poblaciones de diferentes centros.

Principales resultados:

• La metodología BFI propuesta demuestra un excelente rendimiento al combinar inferencias estadísticas.
• El método calcula de manera efectiva los resultados como si el análisis se hubiera realizado con datos combinados.
• Se ha desarrollado un paquete R para facilitar estos cálculos.

Conclusiones:

• La Inferencia Bayesiana Federada (BFI) ofrece una solución viable para el modelado de regresión con datos distribuidos y privados.
• Este enfoque mejora la fiabilidad predictiva para nuevos pacientes a pesar de las limitaciones de datos.
• El paquete R desarrollado apoya la implementación práctica de BFI en bioestadística e investigación médica.