信用：CC0公共领域
山山研究人员已经发布了使用称为“联邦学习”的机器学习技术的第一项研究之一，以检查电子健康记录，以更好地预测Covid-19患者将如何进展。该研究发表在医学互联网研究 - 医学信息学1月18日。
研究人员表示，新兴技术持有承诺创造更强大的机器学习模型，这些模型超出了单一的健康系统，而不会影响患者隐私。这些型号又可以帮助分类患者，提高他们的护理品质。
联合学习是一种在跨多个设备或维持本地数据样本的服务器训练算法的技术，但避免了临床数据聚集，这是由于包括患者隐私问题的原因不希望的。山上的研究人员使用来自的数据实施和评估联合学习模型电子健康记录在卫生系统内的五家独立的医院预测Covid-19患者的死亡率。他们比较了联邦的表现模型针对使用每个医院的数据分别使用数据建造的，称为本地模型。在联合网络上培训模型并测试每家医院的本地模型的数据后，研究人员发现联合模型在大多数医院的大多数医院中表现出增强的预测电力和表现优于本地模型。
“机器学习模型卫生保健经常需要多样化和大规模的数据在培训的患者人口外，他们接受培训的鲁棒和可翻译，“该研究的相应作者，本杰明格里克斯伯格，博士，委员会医学院的遗传学和基因组科学助理教授在西奈山和西奈山和西奈山山上数字健康研究所的成员和西奈山临床情报中心。“联邦学习是在生物医学空间内获得牵引力，以便模型从许多来源学习而不暴露任何敏感的患者数据。在我们的工作中，我们证明，这种策略在Covid-19这样的情况下可能特别有用。“
在医院内建立的机器学习模型对其他患者群体并不总是有效，部分原因是由于从一组不代表整个人口的患者培训的模型是培训的模型。
“医疗保健中的机器学习仍然遭受重现性危机，”该研究的第一作者，Akhil Vaid，MD，博士生博士和初中医学院的遗传学和基因组科学系的博士生，以及哈索的成员普拉特纳山山和西奈山临床情报中心的数字健康研究所。“我们希望这项工作展示了使用联合学习与电子健康记录的益处和限制，以便在个人中具有相对数据的疾病医院。使用这种联合方法建造的模型优于与孤立医院的有限样本尺寸分开建造的模型。看到这种更大的举措的结果将是令人兴奋的。“
由...提供西奈山医院
