Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Utilisant « a fédéré apprendre » à améliorer des prévisions des résultats COVID-19

Les chercheurs de mont Sinaï ont le publié des premières études utilisant apprendre « fédéré » de technique d'apprentissage automatique appelé à examiner les dossiers santé électroniques pour prévoir mieux comment les patients COVID-19 progresseront. L'étude était publiée dans le tourillon de la recherche internet médicale - informatique médicale le 18 janvier.

Les chercheurs ont dit la promesse apparaissante de prises de technique de produire des modèles plus robustes d'apprentissage automatique qui s'étendent au delà d'un système de santé unique sans respect de la vie privée du patient compromettant. Ces modèles, consécutivement, peuvent aider des patients de sélection et améliorer la qualité de leurs soins.

Apprendre fédéré est une technique qui forme un algorithme en travers des dispositifs ou des serveurs multiples retenant les échantillons locaux de caractéristiques mais évite la totalisation clinique de caractéristiques, qui est indésirable pour des raisons comprenant des éditions de respect de la vie privée du patient. Les chercheurs de mont Sinaï ont mis en application et ont évalué fédéré apprenant des modèles utilisant des caractéristiques des dossiers santé électroniques à cinq hôpitaux indépendants dans le système de santé pour prévoir la mortalité dans les patients COVID-19. Ils comparés le rendement d'un modèle fédéré contre ceux établi utilisant des caractéristiques de chaque hôpital séparé, désigné sous le nom des modèles locaux. Après la formation de leurs modèles sur un réseau fédéré et le contrôle des caractéristiques des modèles locaux à chaque hôpital, les chercheurs ont trouvé que les modèles fédérés ont expliqué le pouvoir prévisionnel amélioré et ont surpassé les modèles locaux tout au plus des hôpitaux.

Les « modèles d'apprentissage automatique dans la santé exigent souvent de diverses et de grande puissance caractéristiques d'être robustes et traduisibles en dehors de la population des patients qu'ils ont été formés en circuit, » a dit l'auteur correspondant de l'étude, Benjamin Glicksberg, le PhD, le professeur adjoint de la génétique et des sciences génomiques à l'École de Médecine d'Icahn au mont Sinaï, et le membre du Hasso Plattner Institute pour la santé de Digitals au mont Sinaï et au centre clinique de renseignement de mont Sinaï. « Apprendre fédéré gagne la traction dans l'espace biomédical comme voie pour que les modèles apprennent de beaucoup de sources sans exposer n'importe quelles caractéristiques patientes sensibles. Dans notre travail, nous expliquons que cette stratégie peut être particulièrement utile dans les situations comme COVID-19. »

Les modèles d'apprentissage automatique établis dans un hôpital ne sont pas toujours efficaces pour d'autres populations des patients, partiellement en raison des modèles étant formés sur des caractéristiques d'un seul groupe de patients qui n'est pas représentatif de la population entière.

L'apprentissage automatique dans la santé continue à souffrir une crise de reproductibilité. Nous espérons que ce travail présente des avantages et des limitations d'employer apprendre fédéré avec les dossiers santé électroniques pour une maladie qui a une pénurie relative de caractéristiques dans un hôpital individuel. Les modèles établis utilisant cette approche fédérée surpassent ceux établie séparé des tailles de l'échantillon limitées des hôpitaux d'isolement. Elle excitera pour voir les résultats de plus grandes initiatives de ce genre. »

Akhil Vaid, DM, auteur de l'étude premier, boursier post-doctoral, Service de Génétique et sciences génomiques, École de Médecine d'Icahn, mont Sinaï, et membre du Hasso Plattner Institute pour la santé de Digitals au mont Sinaï et au centre clinique de renseignement de mont Sinaï