用健康数据为指导欧盟可持续人工智能发展的联合学习项目的路线图

科学领域:

• 数字健康数字健康
• 人工智能的人工智能
• 健康 数据 研究 研究 数据

背景情况:

• 数字健康数据提供了创新机会,但也面临隐私,法律和道德方面的挑战.
• 联合学习 (FL) 是一种保护隐私的方法,但目前的研究缺乏针对医疗保健应用的综合伦理,法律和行政指导.
• 现有的研究主要集中在FL的技术方面,忽视了医疗保健的整体,端到端的框架.

研究的目的:

• 制定一个全面的路线图,负责和可扩展的联邦学习 (FL) 研究在欧洲医疗保健环境.
• 将伦理,法律,技术和行政原则整合到使用健康数据的FL项目统一框架中.
• 为了解决在医疗保健中FL实施的端到端指导方面的差距.

主要方法:

• 一种多方法的参与式方法,涉及领域专家调查,文献评论和政策映射.
• 通过在线研讨会参与利益相关者参与,以改进路线图组件并讨论可行性,可扩展性和可持续性.
• 由专家小组反复验证和改进,专注于治理,可持续性和可转让性.

主要成果:

• 一个结构化,六阶段的路线图,将FL在健康数据中的伦理,法律,技术,行政和可持续性考虑纳入其中.
• 强调多学科合作,长期治理,可扩展性和基础设施的再利用.
• 有关监管调整,共享治理,能力建设和与现有基础设施集成的可操作指南.

结论:

• 整合了FL在医疗保健中的早期经验教训,并将其转化为欧洲背景的实用,逐步的路线图.
• 提供了一个共享的框架,以增强可信,可扩展和符合医疗保健系统的AI协作.
• 支持各种利益相关者在在医疗保健研究中实施FL的复杂性上进行导航.