通过联邦学习提升早期败血症发生预测

早期准确预测败血症发生仍是重症监护病区的主要挑战，及时检测和后续干预可显著改善患者预后。尽管机器学习模型在该领域显示出前景，但其成功往往受限于各医院和重症监护病室（ICU）可用训练数据的数量和多样性。联邦学习（FL）通过在不要求数据共享的情况下实现跨机构协同训练，解决了这一问题，从而保留了患者隐私。本文提出了一个基于联邦学习的注意力增强型长短期记忆模型，用于败血症发生预测，训练于多中心 ICU 数据。不同于依赖固定预测窗口的现有方法，我们的模型支持可变预测时间窗，实现单一模型中的短期和长期预测。分析时，我们特别关注本方法在早期败血症检测方面的提升，即通过深入的时间序列分析，评估大预测时间窗预测的改进。我们的结果表明，联邦学习不仅改善了整体预测性能（性能接近集中式模型），对早期败血症发生预测尤其有益。最后，我们表明，采用可变预测窗口而非固定窗口，虽不显著损害性能，但能减少计算、通信和组织开销。