在FAIR健康数据上保护隐私的联合机器学习:现实世界的应用

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 数据 隐私 数据 隐私 数据

背景情况:

• 联合机器学习 (ML) 允许在没有数据共享的情况下进行协作模型构建.
• 集成可查找,可访问,可互操作和可重复使用 (FAIR) 的健康数据对于高级分析至关重要.
• 现有的方法往往难以平衡数据隐私与健康数据集的实用性.

研究的目的:

• 为健康数据设计一个保护隐私的联合ML架构.
• 为了使协作分类算法在没有直接数据共享的情况下执行.
• 在联合学习框架内利用FAIR健康数据.

主要方法:

• 一个基于代理的架构是为了保护隐私而设计的联合ML.
• 开发了一个联合的ML算法,涉及数据准备和对FAIR健康数据的模型训练.
• 该架构是使用联邦ML代理和联邦ML管理器实现的,由五个医疗保健组织验证.

主要成果:

• 五个组织使用共同的工作流程成功将数据集转换为FAIR健康数据.
• 一个预测COPD患者30天再入院风险的联合模型实现了87%的准确性.
• 该系统证明了有效的隐私保护和符合立法要求.

结论:

• 在多个医疗保健实体中展示了一个实用的,保护隐私的联合ML应用程序.
• 公平的健康数据显著增强了联合的ML能力,同时确保数据隐私.
• 拟议的解决方案成功地将敏感的健康数据集成到联合的ML模型中,满足隐私和安全任务.