利用联邦学习实现克洛皮氏药物疗效失效的自动检测
机器学习
2024-03-07 v1 计算机与社会
摘要
克洛皮氏是一种广泛使用的抗血小板药物，其有效性在个体之间存在显著差异，迫切需要开发精确的预测模型以优化患者护理。在本研究中，我们利用联邦学习策略来解决克洛皮氏治疗失效的检测问题。我们的研究动员了多个医疗机构的协同力量，使其在保护敏感患者数据的情况下联合训练机器学习模型。我们利用 UK Biobank 数据集，该数据集涵盖广泛且多样化的患者群体，并基于地理中心对数据进行分区，并评估了联邦学习的性能。我们的结果表明，尽管集中训练在获得更高的受试者工作曲线下面积（AUC）值和更快的收敛速度方面具有优势，但联邦学习方法可以显著缩小这一性能差距。我们的发现强调了联邦学习在克洛皮氏治疗失效检测中的潜力，为通过尊重数据隐私的方式提升患者护理提供了有前景的途径。该研究为日益增长的医疗领域联邦学习研究积累了基础，并为各种医疗条件的安全和隐私保护预测模型奠定了基础。
引用
@article{arxiv.2403.03368,
title = {Leveraging Federated Learning for Automatic Detection of Clopidogrel Treatment Failures},
author = {Samuel Kim and Min Sang Kim},
journal= {arXiv preprint arXiv:2403.03368},
year = {2024}
}