Aprendizado federado para validação de modelos de aprendizado de máquina treinados em diferentes redes de hospitais

• Processo: 22/16683-9
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de março de 2023
• Data de Término da vigência: 31 de janeiro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: União Europeia (Horizonte 2020)
• Pesquisador responsável: Paulo Mazzoncini de Azevedo Marques
• Beneficiário: Gilson Yuuji Shimizu
• Instituição Sede: Faculdade de Medicina de Ribeirão Preto (FMRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Vinculado ao auxílio: 21/06137-4 - Prevendo eventos cardiovasculares usando aprendizado de máquina, AP.R
• Assunto(s): Aprendizado computacional Aprendizado federado Computação em informática médica Doenças cardiovasculares Sistemas computadorizados de registros médicos
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado federado | eventos cardiovasculares | Mace | Ciência da Computação em Medicina

Resumo

Embora vários modelos de aprendizado de máquina (ML) que usam dados de registros eletrônicos de saúde (EHR) tenham sido desenvolvidos nos últimos anos, há uma grande necessidade de validação externa desses modelos. Os modelos de previsão podem ter um bom desempenho em um centro com uma população semelhante aos dados de treinamento, mas podem ter um desempenho pior em centros com diferentes características de paciente. A fim de desenvolver modelos que sejam generalizáveis e discriminem igualmente bem entre diferentes coortes, estudos multicêntricos devem ser considerados. No entanto, esses estudos multicêntricos costumam ser limitados se exigirem o compartilhamento de dados do paciente em um local centralizado. Mesmo que os dados sejam anonimizados antes de serem compartilhados, existe sempre algum risco de comprometimento do anonimato em certos tipos de dados. Abordagens baseadas em aprendizado federado contornam essas limitações através do compartilhamento de modelos e métricas em vez de dados, possibilitando a melhoria da generalização dos modelos de predição ao mesmo tempo que salvaguardam a privacidade dos pacientes. Este projeto propõe a implementação de um modelo de aprendizado federado e a sua avaliação como ferramenta para otimizar a capacidade de generalização de modelos de aprendizado de máquina em diferentes redes de hospitais. (AU)