AI增强了Covid-19结果的预测

研究人员表示，新兴技术拥有承诺创造更强大的承诺机器学习在不影响患者隐私的情况下扩展超出单一卫生系统的模型。这些型号又可以帮助分类患者，提高他们的护理品质。

联邦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合，这是由于包括患者隐私问题的原因是不可取的。山山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死亡率新冠肺炎耐心。他们将联合模型的性能与每个医院分开的数据进行了比较，称为本地模型。在联合网络上培训模型并测试每个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。

“医疗保健的机器学习模型通常需要多样化和大规模的数据在他们接受培训的患者人口之外具有稳健和可翻译，”该研究的相应作者，Benjamin Glicksberg，Phd，遗传学和基因组科学助理教授西奈山的伊坎医学院，西奈山和西奈山山上临床情报中心的哈索普拉特纳数码健康研究所成员。“联邦学习正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，我们证明了这种策略在Covid-19这样的情况下特别有用。”

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的，部分原因是由于在没有代表整个人口的单一组患者的患者上培训的模型，部分原因。

“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，博士生博士和基因组科学系的博士后研究员，在西奈山的ICAHN医学院和哈索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的利益和局限性，利用各个医院在具有相对数据的疾病的疾病的电子健康记录。使用这种联合方法建造的模型从孤立医院的有限样本尺寸分开地建立的模型。看到这种更大的举措的结果将是令人兴奋的。“

该研究发表于医学互联网研究 - 医学信息学杂志。