Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
Neue Technik des maschinellen Lernens analysiert elektronische Krankenakten zur Vorhersage der Sterblichkeit bei COVID-19-Patienten
{{{sourceTextContent.subTitle}}}
Die Forscher haben eine maschinelle Lerntechnik namens "federated learning" verwendet, um elektronische Gesundheitsakten zu untersuchen, um den Verlauf von COVID-19-Patienten besser vorhersagen zu können.
{{{sourceTextContent.description}}}
Die Forscher vom Mount Sinai Health System (New York, NY, USA), die Modelle mit föderiertem Lernen erstellt haben, um die Vorhersage der COVID-19-Ergebnisse zu verbessern, glauben, dass die neue Technik vielversprechend ist, um robustere maschinelle Lernmodelle zu erstellen, die über ein einzelnes Gesundheitssystem hinausgehen, ohne die Privatsphäre der Patienten zu gefährden. Diese Modelle können wiederum bei der Triage von Patienten helfen und die Qualität ihrer Versorgung verbessern.
Federated Learning ist eine Technik, bei der ein Algorithmus auf mehreren Geräten oder Servern mit lokalen Datenproben trainiert wird, aber keine klinischen Daten aggregiert werden, was unter anderem aus Gründen des Patientendatenschutzes unerwünscht ist. Die Forscher des Mount Sinai implementierten und bewerteten föderierte Lernmodelle unter Verwendung von Daten aus elektronischen Gesundheitsakten in fünf verschiedenen Krankenhäusern des Gesundheitssystems, um die Sterblichkeit von COVID-19-Patienten vorherzusagen. Sie verglichen die Leistung eines föderierten Modells mit der eines Modells, das mit den Daten jedes einzelnen Krankenhauses erstellt wurde, was als lokales Modell bezeichnet wird. Nach dem Training ihrer Modelle in einem föderierten Netzwerk und dem Testen der Daten der lokalen Modelle in jedem Krankenhaus stellten die Forscher fest, dass die föderierten Modelle eine verbesserte Vorhersagekraft aufwiesen und die lokalen Modelle in den meisten Krankenhäusern übertrafen.
"Modelle des maschinellen Lernens im Gesundheitswesen benötigen oft vielfältige und umfangreiche Daten, um robust und außerhalb der Patientenpopulation, auf der sie trainiert wurden, übertragbar zu sein", sagte der korrespondierende Autor der Studie, Benjamin Glicksberg, PhD, Assistenzprofessor für Genetik und Genomische Wissenschaften an der Icahn School of Medicine am Mount Sinai und Mitglied des Hasso Plattner Institute for Digital Health am Mount Sinai und des Mount Sinai Clinical Intelligence Center. "Federated Learning gewinnt im biomedizinischen Bereich an Zugkraft, da es eine Möglichkeit für Modelle darstellt, aus vielen Quellen zu lernen, ohne sensible Patientendaten preiszugeben. In unserer Arbeit zeigen wir, dass diese Strategie in Situationen wie COVID-19 besonders nützlich sein kann."
"Maschinelles Lernen im Gesundheitswesen leidet weiterhin unter einer Reproduzierbarkeitskrise", sagte der Erstautor der Studie, Akhil Vaid, MD, Postdoktorand in der Abteilung für Genetik und Genomische Wissenschaften an der Icahn School of Medicine am Mount Sinai und Mitglied des Hasso Plattner Institute for Digital Health am Mount Sinai und des Mount Sinai Clinical Intelligence Center. "Wir hoffen, dass diese Arbeit die Vorteile und Grenzen der Verwendung von föderiertem Lernen mit elektronischen Gesundheitsakten für eine Krankheit aufzeigt, die in einem einzelnen Krankenhaus einen relativen Mangel an Daten aufweist. Modelle, die mit diesem föderierten Ansatz erstellt wurden, übertreffen diejenigen, die separat aus begrenzten Stichprobengrößen von isolierten Krankenhäusern erstellt wurden. Es wird spannend sein, die Ergebnisse von größeren Initiativen dieser Art zu sehen."