پژوهشگران "مرکز پزشکی مانت‌ساینای"(Mount Sinai)، از روشی موسوم به "یادگیری فدرال"(federated learning) برای بررسی سوابق الکترونیکی استفاده کردند تا نحوه پیشرفت کووید-۱۹ را در بیماران بهتر پیش‌بینی کنند.

به گفته پژوهشگران، این روش امیدوارکننده‌ای برای ابداع مدل‌های یادگیری بیشتر است که بدون به خطر انداختن حریم خصوصی بیمار، فراتر از سامانه سلامت عمل می‌کند. این مدل‌ها می‌توانند به بهبود کیفیت مراقبت از بیماران کمک کنند.

یادگیری فدرال، روشی است که الگوریتمی را در چندین دستگاه یا سرورهای شامل نمونه‌ داده‌های محلی آموزش می‌دهد اما از تجمع داده‌های بالینی که اثرات نامطلوبی از جمله مشکلات حریم خصوصی را برای بیماران به همراه دارد، پیشگیری می‌کند.

پژوهشگران مانت‌ساینای با استفاده از سوابق سلامت الکترونیکی ثبت شده در پنج بیمارستان جداگانه، مدل‌های یادگیری فدرال را به کار بردند و آنها را ارزیابی کردند تا میزان مرگ و میز را در بیماران مبتلا به کووید-۱۹ پیش‌بینی کنند.

آنها عملکرد مدل یادگیری فدرال را به واسطه نمونه‌های ساخته شده با استفاده از داده‌های هر بیمارستان که به مدل‌های محلی مربوط بود، به صورت جداگانه مقایسه کردند. پژوهشگران پس از آموزش مدل‌های خود با یک شبکه فدرال و آزمایش داده‌های مدل‌های محلی در هر بیمارستان، دریافتند که مدل‌های فدرال، قدرت پیش‌بینی را افزایش می‌دهند و نسبت به مدل‌های محلی بیشتر بیمارستان‌ها، عملکرد بیشتری دارند.

"بنجامین گلیکسبرگ"(Benjamin Glicksberg)، از پژوهشگران این پروژه گفت: مدل‌های یادگیری ماشینی در حوزه مراقبت از سلامت، اغلب به داده‌های متنوع در مقیاس بزرگ نیاز دارند تا قابل انتقال باشند. یادگیری فدرال، روشی است که به مدل‌ها کمک می‌کند تا بتوانند به یادگیری از منابع بپردازند؛ بدون این که داده‌های حساس بیمار را افشا کنند. ما در پژوهش خود نشان داده‌ایم که این راهبرد می‌تواند برای شرایطی مانند همه‌گیری کووید-۱۹ مفید باشد.

این پژوهش، در "Journal of Medical Internet Research" به چاپ رسید.