针对急性肺血栓栓塞瘤的基于联合学习的预后评估模型
Jun Zhou1, Xin Wang2, Yiyao Li3
1State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing, China.
BMC medical informatics and decision making
|May 27, 2024
概括
联合学习 (FL) 有效地预测肺血栓塞栓症 (PTE) 预后,使用来自多家医院的患者数据. 这种人工智能方法可以提高准确性,同时保持临床应用的数据安全性.
科学领域:
- 心血管疾病的研究研究.
- 医疗保健中的人工智能
- 机器学习用于医学预后.
背景情况:
- 急性肺血栓塞栓症 (PTE) 带来了重大临床挑战,需要准确的预后风险评估才能有效治疗.
- 识别高风险PTE患者对于及时和适当的临床干预至关重要.
- 在开发心血管疾病预测模型时,确保患者数据安全至关重要.
研究的目的:
- 评估联合学习 (FL) 技术在评估PTE患者的预后风险方面的有效性.
- 开发和验证一个安全的,基于数据的模型,用于预测PTE病例的30天死亡率.
- 将FL模型的性能与传统风险评估指数进行比较.
主要方法:
- 利用了来自12家医院的PTE患者的回顾性数据集,结合了19个物理指标.
- 联邦学习 (FL) 模型被训练来预测30天死亡率,并对各种机器学习算法进行比较.
- 模型性能根据独立 (IID) 和非独立 (非IID) 数据分布进行评估,并根据真实数据进行验证.
主要成果:
- 与其他机器学习模型相比,基于FL的后勤回归模型实现了0.842的曲线下面面积 (AUC).
- FL模型在培训,验证和测试集中显示出强大的预测性能,在IID和现实条件下表现优于集中式 (非Fed) 模型.
- FL模型显著超过了PESEI,sPESI和PUMCH等既定风险得分,这表明其临床实用性.
结论:
- 联合学习 (FL) 为PTE预后风险预测提供了一种强大而有效的方法.
- 开发的FL模型显示出高效率,适合在医院环境中实际部署.
- 这项技术促进了安全的多机构合作,以改善心血管疾病风险评估.
