Federated learning model for predicting major postoperative complications

背景：使用电子健康记录（EHR）和人工智能准确预测术后并发症风险具有巨大潜力。训练一个强大的人工智能模型通常需要大规模和多样化的数据集。现实情况是，收集医疗数据经常会遇到隐私保护方面的挑战。方法：这项回顾性队列研究包括在UFH Gainesville（GNV）（n = 79,850）和Jacksonville（JAX）（n = 28,636）住院接受任何类型的住院手术的成年患者。使用围手术期和手术期特征，我们开发了联邦学习模型来预测九种主要的术后并发症（即延长重症监护室停留时间和机械通气）。我们将联邦学习模型与在单个站点上训练的本地学习模型和在两个中心的汇总数据集上训练的中央学习模型进行了比较。结果：我们的联邦学习模型在UFH GNV中心实现的接收器操作特征曲线下面积（AUROC）值范围从0.81（创伤并发症）到0.92（延长重症监护室停留时间）。在UFH JAX中心，这些值从0.73-0.74（创伤并发症）到0.92-0.93（住院死亡）不等。联邦学习模型的AUROC性能与中央学习模型相当，仅在延长重症监护室停留时间方面，联邦学习模型在UFH GNV中心的表现略高于中央学习模型，但在UFH JAX中心略低。此外，我们的联邦学习模型在每个中心获得了与最佳本地学习模型相当的性能，表现出很强的泛化能力。结论：联邦学习被证明是一个有用的工具，可以从多个机构的大规模数据中训练出强大且具有泛化能力的模型，在数据保护障碍高的情况下。

使用电子病历和人工智能准确预测术后并发症风险，但医疗数据隐私保护是一个挑战

使用联邦学习模型在多个医疗机构的数据集上训练出鲁棒且具有泛化性的模型，以解决数据隐私保护的问题

论文使用联邦学习模型在两个医疗机构的数据集上训练模型，预测术后九种主要并发症的风险，并与本地学习模型和中央学习模型进行比较。结果表明，联邦学习模型在大多数情况下表现与中央学习模型相当，而且具有强大的泛化性。

最近的相关研究包括使用联邦学习模型解决医疗数据隐私保护的问题，以及使用机器学习方法预测术后并发症的风险。