以患者为中心的联合学习:通过智能合约自动化对健康数据共享有意义的同意

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 区块链技术 区块链技术

背景情况:

• 联合学习 (FL) 能够在分布式健康数据上实现协作机器学习,而无需直接共享数据.
• 目前的FL模型不足以解决患者对其数据的控制,依赖于过时的同意机制.
• 像HIPAA和GDPR这样的现有同意框架缺乏数据交易中的动态患者控制.

研究的目的:

• 探索智能合约 (SC) 在联邦学习 (FL) 框架中的整合.
• 建立一个自动化,可强制执行和记录的患者数据的同意机制.
• 增强患者自主权,减轻健康数据共享的伦理和法律问题.

主要方法:

• 在分散的分类账技术上使用智能合约 (SC) 来管理FL中的同意.
• 开发一个与患者偏好一致的动态和不变的同意架构.
• 将SC集成到联合学习 (FL) 和群学习 (SL) 框架中.

主要成果:

• SCs提供了一个强大的机制,用于自动化,强制执行和记录患者在FL数据交易中的同意.
• 这种整合确保FL流程与患者定义的偏好保持一致,增强数据治理.
• 该模型解决了原理-代理不对称性,允许患者指定从他们的数据中获得的见解的术语.

结论:

• 将SC集成到FL中为医疗研究中以患者为中心的数据治理提供了一个新的解决方案.
• 这种方法可以减轻数据重新识别和未经授权的数据使用的风险,促进患者的信任.
• 拟议的模型对监管合规性,数据治理和患者参与数字健康生态系统具有重大影响.