Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Usar-se “federou a aprendizagem” aumentar previsões dos resultados COVID-19

Os pesquisadores do monte Sinai publicaram um dos primeiros estudos usando uma aprendizagem “federada” chamada da técnica de aprendizagem da máquina examinar registos de saúde eletrônicos para prever melhor como os pacientes COVID-19 progredirão. O estudo foi publicado no jornal da pesquisa médica do Internet - informática médica o 18 de janeiro.

Os pesquisadores disseram a promessa emergente das posses da técnica de criar uns modelos mais robustos da aprendizagem de máquina que estendessem além de um único sistema da saúde sem comprometer a privacidade paciente. Estes modelos, por sua vez, podem ajudar pacientes da triagem e melhorar a qualidade de seu cuidado.

A aprendizagem federada é uma técnica que treine um algoritmo através dos dispositivos ou dos server múltiplos que guardaram amostras locais dos dados mas evita a agregação clínica dos dados, que é indesejável para as razões que incluem edições da privacidade paciente. Os pesquisadores do monte Sinai executaram e avaliaram federado aprendendo modelos usando dados dos registos de saúde eletrônicos em cinco hospitais separados dentro do sistema da saúde para prever a mortalidade nos pacientes COVID-19. Compararam o desempenho de um modelo federado contra uns construído usando dados de cada hospital separada, referido como modelos locais. Após ter treinado seus modelos em uma rede federada e ter testado os dados de modelos locais em cada hospital, os pesquisadores encontraram que os modelos federados demonstrados aumentaram a potência com carácter de previsão e outperformed modelos locais no máximo dos hospitais.

De “os modelos da aprendizagem máquina nos cuidados médicos exigem frequentemente dados diversos e em grande escala para ser robustos e translatable fora da população que paciente foram treinados sobre,” disse o autor correspondente do estudo, Benjamin Glicksberg, PhD, professor adjunto da genética e de ciências Genomic na Faculdade de Medicina de Icahn no monte Sinai, e membro do Hasso Plattner Institute para a saúde de Digitas no monte Sinai e no centro clínico da inteligência do monte Sinai. “A aprendizagem federada está ganhando a tracção dentro do espaço biomedicável como uma maneira para que os modelos aprendam de muitas fontes sem expr nenhuns dados pacientes sensíveis. Em nosso trabalho, nós demonstramos que esta estratégia pode ser particularmente útil nas situações como COVID-19.”

Os modelos da aprendizagem de máquina construídos dentro de um hospital não são sempre eficazes para outras populações pacientes, parcialmente devido aos modelos que estão sendo treinados em dados de um único grupo de pacientes que não seja representativo da toda a população.

A aprendizagem de máquina nos cuidados médicos continua a sofrer uma crise da reprodutibilidade. Nós esperamos que este trabalho apresenta benefícios e limitações de usar a aprendizagem federada com registos de saúde eletrônicos para uma doença que tenha uma penúria relativa de dados em um hospital individual. Os modelos construídos usando esta aproximação federada outperform aqueles construída separada dos tamanhos da amostra limitados de hospitais isolados. Será emocionante ver os resultados de iniciativas maiores deste tipo.”

Akhil Vaid, DM, autor do estudo primeiro, companheiro pos-doctoral, departamento da genética e de ciências Genomic, Faculdade de Medicina de Icahn, monte Sinai, e membro do Hasso Plattner Institute para a saúde de Digitas no monte Sinai e no centro clínico da inteligência do monte Sinai