Johanna Schwinn vom Universitätsklinikum Augsburg hat am 29. August 2024 auf der Medical Informatics Europe (MIE) 2024, Konferenz der EFMI-European Federation for Medical Informatics einen Vortrag über die Potenziale von Federated Learning (FL) im Vergleich zu Centralized Learning (CL) und Local Learning (LL) gehalten.
In ihrer Studie untersuchte Johanna die Wirksamkeit von FL bei der Vorhersage der Sauerstoffsättigung (SpO2) bei Intensivpatienten auf Basis von fünf großen Datenbanken. Ihre Ergebnisse zeigen, dass FL nicht nur vergleichbare, sondern in einigen Fällen sogar bessere Ergebnisse als CL und LL erzielt – und das bei strikter Wahrung der Privatsphäre der Patientendaten.
Diese Studie ist die erste ihrer Art, die alle fünf öffentlich zugänglichen ICU-Datenbanken kombiniert.
FL erweist sich als vielversprechende Alternative, insbesondere für Krankenhäuser mit kleineren Datensätzen, die dennoch von leistungsstarken und datenschutzfreundlichen Machine Learning (ML)-Modellen profitieren möchten.
„In Zukunft werden wir komplexere Daten testen, um unser Verständnis der Fähigkeiten von FL in verschiedenen medizinischen Kontexten zu erweitern und die Vorhersagegenauigkeit weiter zu verbessern,“ so Schwinn.
Das vollständige Paper der Autor:innen Johanna Schwinn, Seyedmostafa Sheikhalishahi, Matthäus Morhart, Mathias Kaspar und Christian Hinske können Sie hier lesen: https://bit.ly/474RJly
Ein herausragender Beitrag zur Weiterentwicklung der klinischen Entscheidungsunterstützung!