用于预测重大术后并发症的联邦学习模型
机器学习
2024-04-11 v1 人工智能
计算机与社会
摘要
背景：利用电子健康记录（EHR）和人工智能准确预测术后并发症风险展现出巨大潜力。训练一个鲁棒的人工智能模型通常需要大规模且多样化的数据集。在现实中，收集医疗数据常常面临隐私保护方面的挑战。方法：这项回顾性队列研究纳入了在UFH Gainesville（GNV）（n = 79,850）和Jacksonville（JAX）（n = 28,636）接受任何类型住院手术的成年患者。利用围手术期和术中特征，我们开发了联邦学习模型来预测九种重大术后并发症（即重症监护病房住院时间延长和机械通气）。我们将联邦学习模型与在单一站点训练的局部学习模型和在两个中心汇总数据集上训练的集中式学习模型进行了比较。结果：我们的联邦学习模型在UFH GNV中心取得的受试者工作特征曲线下面积（AUROC）值范围从伤口并发症的0.81到ICU住院时间延长的0.92。在UFH JAX中心，这些值范围从伤口并发症的0.73-0.74到医院死亡率的0.92-0.93。联邦学习模型取得了与集中式学习模型相当的AUROC性能，但在ICU住院时间延长方面除外，联邦学习模型在UFH GNV中心的性能略高于集中式学习模型，而在UFH JAX中心略低。此外，我们的联邦学习模型在每个中心都获得了与最佳局部学习模型相当的性能，展现出强大的泛化能力。结论：研究表明，联邦学习是一种有用的工具，可以在数据保护壁垒较高的跨机构大规模数据上训练鲁棒且可泛化的模型。
引用
@article{arxiv.2404.06641,
title = {Federated learning model for predicting major postoperative complications},
author = {Yonggi Park and Yuanfang Ren and Benjamin Shickel and Ziyuan Guan and Ayush Patela and Yingbo Ma and Zhenhong Hu and Tyler J. Loftus and Parisa Rashidi and Tezcan Ozrazgat-Baslanti and Azra Bihorac},
journal= {arXiv preprint arXiv:2404.06641},
year = {2024}
}
备注
57 pages. 2 figures, 3 tables, 2 supplemental figures, 8 supplemental tables