Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Facendo uso di “ha organizzato in modo federativo l'apprendimento„ migliorare le previsioni dei risultati COVID-19

I ricercatori di monte Sinai hanno pubblicato uno dei primi studi facendo uso di una tecnica di apprendimento automatico chiamata “l'apprendimento organizzato in modo federativo„ esaminare le cartelle mediche elettroniche per predire meglio come i pazienti COVID-19 progrediranno. Lo studio è stato pubblicato nel giornale di ricerca medica in Internet - l'informatica medica il 18 gennaio.

I ricercatori hanno detto la promessa emergente delle tenute di tecnica creare i modelli più robusti di apprendimento automatico che estendono oltre un singolo sistema di salubrità senza compromettere la segretezza paziente. Questi modelli, a loro volta, possono aiutare i pazienti della valutazione e migliorare la qualità della loro cura.

L'apprendimento organizzato in modo federativo è una tecnica che prepara un algoritmo attraverso le unità o i " server " multipli che tengono i campioni locali di dati ma evita l'aggregazione clinica di dati, che è indesiderabile per le ragioni compreso le emissioni della segretezza paziente. I ricercatori di monte Sinai hanno applicato e valutato organizzato in modo federativo imparando i modelli facendo uso dei dati dalle cartelle mediche elettroniche a cinque ospedali separati all'interno del sistema di salubrità per predire la mortalità in pazienti COVID-19. Hanno comparato la prestazione di un modello organizzato in modo federativo ad un sviluppato esclusivamente facendo uso dei dati da ogni ospedale, riferito a come modelli locali. Dopo la formazione dei loro modelli su una rete organizzata in modo federativo ed avere verificato i dati dei modelli locali ad ogni ospedale, i ricercatori hanno trovato che i modelli organizzati in modo federativo dimostrati hanno migliorato la potenza premonitrice ed hanno superato i modelli locali al massimo degli ospedali.

“I modelli di apprendimento automatico nella sanità richiedono spesso diversi e dati su grande scala per essere robusti e traducibili fuori della popolazione che paziente sono stati preparati sopra,„ ha detto l'autore corrispondente dello studio, Benjamin Glicksberg, il PhD, l'assistente universitario della genetica e delle scienze genomiche alla scuola di medicina di Icahn al monte Sinai ed il membro del Hasso Plattner Institute per salubrità di Digital al monte Sinai ed al centro clinico di intelligenza di monte Sinai. “L'apprendimento organizzato in modo federativo sta guadagnando la trazione all'interno dello spazio biomedico come modo affinchè i modelli impari da molte sorgenti senza esporre alcuni dati pazienti sensibili. Nel nostro lavoro, dimostriamo che questa strategia può essere particolarmente utile nelle situazioni come COVID-19.„

I modelli di apprendimento automatico sviluppati all'interno di un ospedale non sono sempre efficaci per altre popolazioni pazienti, parzialmente dovuto i modelli che sono preparati sui dati da un singolo gruppo di pazienti che non è rappresentativo dell'intera popolazione.

L'apprendimento automatico nella sanità continua a soffrire una crisi della riproducibilità. Speriamo che questo lavoro montri i vantaggi e le limitazioni di usando l'apprendimento organizzato in modo federativo con le cartelle mediche elettroniche per una malattia che ha una penuria relativa di dati in un ospedale determinato. I modelli sviluppati facendo uso di questo approccio organizzato in modo federativo superano quelli sviluppato esclusivamente dalle dimensioni del campione limitate degli ospedali isolati. Sarà emozionante vedere i risultati di più grandi iniziative di questo genere.„

Akhil Vaid, MD, autore dello studio il primo, collega postdottorale, dipartimento della genetica e delle scienze genomiche, scuola di medicina di Icahn, monte Sinai e membro del Hasso Plattner Institute per salubrità di Digital al monte Sinai ed al centro clinico di intelligenza di monte Sinai