面向预测大手术并发症的多合作方 OneFlorida+ 联盟数据联邦学习
机器学习
2026-03-18 v1 人工智能
摘要
背景：本研究旨在开发和验证用于预测大手术并发症和死亡率的联邦学习模型，使用来自 OneFlorida 数据信任的大型多中心数据集。我们假设联邦学习模型将提供稳健的可推广性，同时保持数据隐私和安全。方法：本回顾性、纵向性、多中心队列研究包括 358,644 名成年患者，他们在 2012-2023 年接受 494,163 项住院大型手术程序。我们开发并在内部和外部验证了联邦学习模型，以预测术后 ICU admission、机械通气 (MV) 疗法、急性肾损伤 (AKI) 和住院死亡风险。这些模型与在单一中心上训练的本地模型以及在所有中心汇集数据集上训练的集中模型进行比较。主要采用受试者工作特征曲线下面积 (AUROC) 和精确召回曲线下面积 (AUPRC) 进行评估。结果：我们的联邦学习模型表现出色，AUROC 分数在所有结果和站点之间始终与或优于本地模型在 AUROC 和 AUPRC 方面的表现相当。我们的联邦学习模型也表现出强大的可推广性，AUROC 和 AUPRC 方面的表现也与各站点最佳本地学习模型相当或优于。结论：通过利用多中心数据，我们开发了稳健、可推广且注重隐私的大手术并发症和死亡率预测模型。这些发现支持了联邦学习在临床决策支持系统中的可行性。
关键词
引用
@article{arxiv.2603.16723,
title = {Federated Learning with Multi-Partner OneFlorida+ Consortium Data for Predicting Major Postoperative Complications},
author = {Yuanfang Ren and Varun Sai Vemuri and Zhenhong Hu and Benjamin Shickel and Ziyuan Guan and Tyler J. Loftus and Parisa Rashidi and Tezcan Ozrazgat-Baslanti and Azra Bihorac},
journal= {arXiv preprint arXiv:2603.16723},
year = {2026}
}
备注
1 figure, 6 tables