在21家医院的多中心样本中进行COVID-19死亡率预测的联合学习

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗保健信息学 医疗保健信息学

背景情况:

• 预测COVID-19死亡率对于患者管理至关重要.
• 联合学习 (FL) 为多中心医疗数据分析提供了一种保护隐私的方法.
• 个别医院的数据稀缺性可能会限制预测模型的性能.

研究的目的:

• 评估用于预测COVID-19死亡率的联合学习 (FL) 策略.
• 在多中心环境中评估不同FL架构 (物流回归,多层感知器,随机森林) 的性能增长.
• 调查局部患者数量与FL模型的有效性之间的关系.

主要方法:

• 利用来自巴西21家医院的17022名COVID-19患者的多中心数据集.
• 实现了具有参数聚合 (逻辑回归,多层感知器) 和集合聚合 (随机森林) 的水平FL.
• 使用引导式分析量化性能增益 (ΔAUC) 来确定95%的置信区间.

主要成果:

• 联合学习模型显示了协作效应,平均 ΔAUC 为 +0.0018 (LR), +0.0599 (MLP) 和 +0.0528 (RF).
• 绩效增长与当地患者数量相反相关,显著有利于数据有限的机构.
• 随机森林模型在最小的医院中取得了实质性的收益 (ΔAUC = 0.3682),而MLP在某些地点显示出波动性和性能恶化.

结论:

• 联合学习增强了预测能力,特别是对于数据有限的机构,作为一种促进股权机制.
• 对FL益处的统计确定性因地点而异,需要在临床部署时进行本地验证.
• 持续监测和本地验证对于最大限度地提高并确保FL模型在各种医疗保健环境中的可靠临床应用至关重要.