Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Usando “federó el aprendizaje” aumentar predicciones de los resultados COVID-19

Los investigadores del monte Sinaí han publicado uno de los primeros estudios usando un aprendizaje “federado” llamado de la técnica de aprendizaje de máquina examinar historiales médicos electrónicos para predecir mejor cómo progresarán los pacientes COVID-19. El estudio fue publicado en el gorrón de la investigación médica del Internet - informática médica el 18 de enero.

Los investigadores dijeron la promesa emergente de los asimientos de la técnica de crear modelos más robustos del aprendizaje de máquina que extienden más allá de un único sistema de la salud sin el compromiso de intimidad del paciente. Estos modelos, a su vez, pueden ayudar a pacientes de la clasificación y perfeccionar la calidad de su cuidado.

El aprendizaje federado es una técnica que entrena a un algoritmo a través de los dispositivos o de los servidores múltiples que esperan muestras locales de los datos pero evita la agregación clínica de los datos, que es indeseable por razones incluyendo entregas de la intimidad del paciente. Los investigadores del monte Sinaí ejecutaron y fijaron federado aprendiendo modelos usando datos de historiales médicos electrónicos en cinco hospitales separados dentro del sistema de la salud para predecir mortalidad en los pacientes COVID-19. Compararon el funcionamiento de un modelo federado contra unos construido usando datos de cada hospital por separado, designado modelos locales. Después de entrenar sus modelos en una red federada y de probar los datos de modelos locales en cada hospital, los investigadores encontraron que los modelos federados demostrados aumentaron potencia profética y que superaron modelos locales a lo más de los hospitales.

“Los modelos del aprendizaje de máquina en atención sanitaria requieren a menudo los datos diversos y en grande para ser robustos y traducibles fuera de la población de pacientes que fueron entrenados conectado,” dijo el autor correspondiente del estudio, Benjamin Glicksberg, doctorado, el profesor adjunto de la genética y de las ciencias Genomic en la Facultad de Medicina de Icahn en el monte Sinaí, y a la pieza del Hasso Plattner Institute para la salud de Digitaces en el monte Sinaí y el centro clínico de la inteligencia del monte Sinaí. El “aprendizaje federado está ganando la tracción dentro del espacio biomédico como manera para que los modelos aprendan de muchas fuentes sin exponer ningunos datos pacientes sensibles. En nuestro trabajo, demostramos que esta estrategia puede ser determinado útil en situaciones como COVID-19.”

Los modelos del aprendizaje de máquina construidos dentro de un hospital no son siempre efectivos para otras poblaciones de pacientes, parcialmente debido a los modelos que son entrenados en datos de un único grupo de pacientes que no sea representativo del toda la población.

El aprendizaje de máquina en atención sanitaria continúa sufrir una crisis de la reproductibilidad. Esperamos que este trabajo muestre ventajas y limitaciones de usar el aprendizaje federado con los historiales médicos electrónicos para una enfermedad que tenga una penuria relativa de datos en un hospital individual. Los modelos construidos usando esta aproximación federada superan ésos construida por separado de tamaños de muestra limitados de hospitales aislados. Será emocionante ver los resultados de iniciativas más grandes de esta clase.”

Akhil Vaid, Doctor en Medicina, autor del estudio el primer, becario postdoctoral, departamento de la genética y de las ciencias Genomic, Facultad de Medicina de Icahn, monte Sinaí, y pieza del Hasso Plattner Institute para la salud de Digitaces en el monte Sinaí y el centro clínico de la inteligencia del monte Sinaí