适应性联合学习框架用于临床风险预测,使用来自多家医院的电子健康记录

科学领域:

• 人工智能在医学中的应用
• 机器学习用于医疗保健
• 临床研究中的数据隐私.

背景情况:

• 电子健康记录 (EHR) 对于使用机器学习进行临床风险预测至关重要.
• 联合学习 (FL) 允许在没有数据共享的情况下进行多机构模型培训,从而保护隐私.
• 跨机构的数据分布偏移对FL在医疗保健中的表现构成重大挑战.

研究的目的:

• 提出一个自适应式联合学习 (FL) 框架,以减轻数据分布的漂移.
• 在多机构环境中提高临床风险预测模型的准确性和稳定性.
• 提高医疗保健中机器学习模型的可解释性.

主要方法:

• 开发了一个自适应FL框架,将输入特征分类为稳定,域特定和条件无关的组件.
• 根据与临床结果的关系应用特征分离,以解决数据异质性问题.
• 评估了预测浸症和急性损伤 (AKI) 发病风险在重症监护室 (ICU) 患者的框架.

主要成果:

• 与现有的FL基线相比,拟议的自适应FL框架显示出优异的预测性能.
• 该框架有效地解决了跨临床机构数据分布漂移的挑战.
• 实现了合理的特征解释,有助于理解模型预测.

结论:

• 适应性FL框架为保护隐私的临床风险预测提供了一个有希望的解决方案.
• 这种方法提高了模型在各种医疗数据环境中的通用性和性能.
• 该方法为预测临床结果的特征重要性提供了有价值的见解.