利用异构真实世界生存数据开发联邦时间至事件评分
人工智能
2025-10-23 v1
摘要
生存分析是众多医疗保健应用的基本组成部分，其中确定患者特定事件（如某种疾病的发生或死亡）的时间对于临床决策至关重要。评分系统被广泛用于快速高效的风险预测。然而，现有的构建生存评分的方法假定数据源自单一来源，这在与多个数据所有者合作时提出了隐私挑战。我们提出了一种新颖的框架，用于构建针对多站点生存结果的联邦评分系统，确保隐私和通信效率。我们将该方法应用于源自新加坡和美国急诊部门的具有异构生存数据的站点。此外，我们在每个站点独立开发了本地评分。在每个参与站点的测试数据集中，我们提出的联邦评分系统始终优于所有本地模型，表现为更高的接收者操作特征曲线下积分面积 (iAUC) 值，最大改进幅度为 11.6%。此外，联邦评分的时间依赖性 AUC(t) 值显示出优于本地评分的优势，在大多数时间点表现出更窄的置信区间 (CIs)。通过我们提出的方法开发的模型在每个本地站点均表现出有效性能，标志着对医疗保健研究具有值得注意的意义。参与我们提出的联邦评分模型训练的站点通过获得具有更高预测准确性和效率的生存模型而获益。本研究展示了我们隐私保护的联邦生存评分生成框架的有效性及其对真实世界异构生存数据的适用性。
引用
@article{arxiv.2403.05229,
title = {Developing Federated Time-to-Event Scores Using Heterogeneous Real-World Survival Data},
author = {Siqi Li and Yuqing Shang and Ziwen Wang and Qiming Wu and Chuan Hong and Yilin Ning and Di Miao and Marcus Eng Hock Ong and Bibhas Chakraborty and Nan Liu},
journal= {arXiv preprint arXiv:2403.05229},
year = {2025}
}