Fed-ComBat: Un marco federado generalizado para la armonización de efectos de lote en estudios colaborativos

Área de la Ciencia:

• Neurociencia
• Bioestadística
• Ciencia de Datos

Sus antecedentes:

• Los estudios multicéntricos requieren la armonización de datos para abordar sesgos y garantizar la interoperabilidad.
• Los métodos de armonización de vanguardia actuales, como ComBat, se basan en la modelización de efectos aleatorios pero a menudo requieren la centralización de datos, lo que plantea riesgos de privacidad y gobernanza.
• El análisis de datos descentralizado es crucial para estudios a gran escala que involucran información sensible del paciente.

Objetivo del estudio:

• Introducir Fed-ComBat, un marco federado novedoso para la armonización de efectos de lote en datos descentralizados.
• Permitir la preservación de efectos de covariables no lineales sin centralización de datos o suposiciones paramétricas previas.
• Evaluar el rendimiento de Fed-ComBat frente a los métodos de armonización centralizados y distribuidos existentes.

Principales métodos:

• Desarrollo de Fed-ComBat, un marco de aprendizaje federado para la corrección de efectos de lote.
• Implementación de la modelización de efectos aleatorios en un entorno de datos descentralizado.
• Validación utilizando datos simulados extensos y análisis de 7 cohortes de neuroimagen del mundo real (controles sanos, EP, EA, TEA).

Principales resultados:

• Fed-ComBat logra resultados de armonización comparables a los métodos centralizados en escenarios lineales y no lineales.
• El análisis de datos de neuroimagen reales demostró un rendimiento comparable entre los modelos centralizados y federados para armonizar las trayectorias del grosor del hipocampo a lo largo de la vida.
• La armonización federada utilizando Fed-ComBat se alinea con los hallazgos de la literatura existente para modelos no lineales.

Conclusiones:

• Fed-ComBat proporciona una solución eficaz y que preserva la privacidad para la armonización de efectos de lote en estudios de neuroimagen multicéntricos descentralizados.
• El marco maneja con éxito sesgos lineales y no lineales sin comprometer la privacidad de los datos ni requerir la centralización de datos.
• Fed-ComBat representa un avance significativo para la investigación colaborativa en neurociencia, particularmente para estudios que involucran a poblaciones vulnerables y datos sensibles.