预测、预防、个性化和参与式医疗被称为P4，是未来的医疗保健。为了加速其采用并最大限度地发挥其潜力，必须在所有利益相关者之间有效地共享大量个人的临床数据。然而，数据很难收集。它被隔离在世界各地的各个医院、医疗机构和诊所中。由于公开医疗资料而产生的隐私风险也是一个严重的问题，如果没有有效的隐私保护技术，就会成为P4医学发展的障碍。
现有的方法要么通过要求机构共享中间结果来提供有限的患者隐私保护，这反过来会泄露敏感的患者级别信息，要么通过增加数据噪声来牺牲结果的准确性，以减少潜在的泄漏。
现在，来自EPFL数据安全实验室的研究人员与洛桑大学医院(CHUV)、麻省理工学院cail以及麻省理工学院和哈佛大学布罗德研究所的同事合作，开发出了“FAMHE”。这个联邦分析系统使不同的医疗保健提供商能够协作执行统计分析和开发机器学习模型，而无需交换底层数据集。FAHME在数据保护、研究结果的准确性和实际计算时间这三个关键维度之间找到了平衡点生物医学研究领域。
在一篇发表于自然通讯该研究团队说，FAMHE和其他试图克服隐私和准确性挑战的方法之间的关键区别在于，FAMHE能够大规模工作，并且已经在数学上被证明是安全的，这是由于数据的敏感性而必须的。
广告
广告
成功的模拟
在两项原型部署中，FAMHE准确、高效地复制了两项已发表的多中心研究，这些研究依赖于数据集中和数据转移集中研究的定制法律合同，包括肿瘤学中的Kaplan-Meier生存分析和医学遗传学中的全基因组关联研究。换句话说，他们已经证明，即使数据集没有被转移和集中，也可以取得同样的科学结果。
“到目前为止，还没有人能够重现表明联邦分析能够大规模工作的研究。我们的结果是准确的，得到了合理的计算时间。FAMHE使用多方同态加密，这是一种通过不同来源对加密形式的数据进行计算的能力，而不需要集中数据，也不需要任何一方看到其他方的数据。”EPFL教授Jean-Pierre Hubaux说，他是该研究的首席高级作者。
EPFL高级研究员Juan Troncoso-Pastoriza博士补充说:“这项技术不仅将彻底改变多站点临床研究，还将使保险、金融服务和网络防御等许多不同领域的敏感数据协作成为可能。”
患者数据隐私是洛桑大学医院关注的重点。“为了科学和医学的进步，大多数患者都愿意分享自己的健康数据，但确保这些敏感信息的保密至关重要。FAMHE使对患者数据进行空前规模的安全协作研究成为可能”，CHUV精准医学部门的Jacques Fellay教授说。
向个性化医疗“这是一个改变,因为,只要这种解决方案不存在,另一种选择是建立双边数据传输和使用协议,但这些都是特别的,他们花了几个月的讨论确保数据是要妥善保护,当这一切发生的时候。FAHME提供了一种解决方案，使人们能够一劳永逸地就要使用的工具箱达成一致，然后对其进行部署”，麻省理工学院、CSAIL和Broad的Bonnie Berger教授说。
“这项工作奠定了一个关键的基础，联邦学习算法的一系列生物医学研究可以建立在可扩展的方式。Broad研究所的Hyunghoon Cho博士说:“想到由该系统支持生物医学多样化分析需求的工具和工作流程的未来发展是令人兴奋的。”
那么，研究人员预计这种新解决方案的传播速度和广度有多快?“我们正在与德克萨斯州、荷兰和意大利的合作伙伴进行深入讨论，以大规模部署FAMHE。我们希望将其整合到医学研究的常规操作中，”这项研究的高级研究员之一，丘威大学博士Jean Louis Raisaro说。
