論文の概要: Developing Federated Time-to-Event Scores Using Heterogeneous Real-World Survival Data

• arxiv url: http://arxiv.org/abs/2403.05229v1
• Date: Fri, 8 Mar 2024 11:32:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 20:08:06.780667
• Title: Developing Federated Time-to-Event Scores Using Heterogeneous Real-World Survival Data
• Title（参考訳）: 不均質な実世界サバイバルデータを用いたフェデレート時間対イベントスコアの開発
• Authors: Siqi Li, Yuqing Shang, Ziwen Wang, Qiming Wu, Chuan Hong, Yilin Ning, Di Miao, Marcus Eng Hock Ong, Bibhas Chakraborty, Nan Liu
• Abstract要約: 既存のサバイバルスコアの構築方法は、データが単一のソースに由来することを前提としている。 本稿では,多地点生存のための統合スコアリングシステムを構築するための新しいフレームワークを提案する。 参加者各サイトからのデータセットのテストにおいて,提案するフェデレーションスコアリングシステムは,すべての局所モデルより一貫して優れていた。
• 参考スコア（独自算出の注目度）: 8.3734832069509
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis serves as a fundamental component in numerous healthcare applications, where the determination of the time to specific events (such as the onset of a certain disease or death) for patients is crucial for clinical decision-making. Scoring systems are widely used for swift and efficient risk prediction. However, existing methods for constructing survival scores presume that data originates from a single source, posing privacy challenges in collaborations with multiple data owners. We propose a novel framework for building federated scoring systems for multi-site survival outcomes, ensuring both privacy and communication efficiency. We applied our approach to sites with heterogeneous survival data originating from emergency departments in Singapore and the United States. Additionally, we independently developed local scores at each site. In testing datasets from each participant site, our proposed federated scoring system consistently outperformed all local models, evidenced by higher integrated area under the receiver operating characteristic curve (iAUC) values, with a maximum improvement of 11.6%. Additionally, the federated score's time-dependent AUC(t) values showed advantages over local scores, exhibiting narrower confidence intervals (CIs) across most time points. The model developed through our proposed method exhibits effective performance on each local site, signifying noteworthy implications for healthcare research. Sites participating in our proposed federated scoring model training gained benefits by acquiring survival models with enhanced prediction accuracy and efficiency. This study demonstrates the effectiveness of our privacy-preserving federated survival score generation framework and its applicability to real-world heterogeneous survival data.
• Abstract（参考訳）: 生存分析は、患者の特定の出来事(特定の疾患や死亡の発症など)への時間の決定が臨床意思決定に不可欠である、多くの医療応用において基本的な要素として機能する。 スコーリングシステムは、迅速かつ効率的なリスク予測に広く利用されている。 しかし、サバイバルスコアを構築する既存の方法は、データが単一のソースに由来することを前提としており、複数のデータ所有者とのコラボレーションにおいてプライバシの課題となる。 本稿では,多地点生存のための統合スコアリングシステムを構築するための新しいフレームワークを提案し,プライバシーと通信効率の両立を図っている。 シンガポールと米国の救急部門から得られた異種生存データを用いた地点にアプローチを適用した。 また,各サイトの局所スコアを独自に開発した。 各参加者のサイトからデータセットをテストする際、提案するフェデレーションスコアリングシステムは、受信者動作特性曲線(iauc)値の下の高集積領域で証明され、最大で11.6%改善した。 さらに, フェデレーションスコアの時間依存性AUC(t)値は, 局部スコアよりも有意であり, 多くの時間ポイントにおいてより狭い信頼区間(CI)を示した。 提案手法により開発されたモデルは,各地域において有効なパフォーマンスを示し,医療研究の意義を示す。 提案するフェデレーションスコアリングモデルトレーニングに参加するサイトは,予測精度と効率性が向上したサバイバルモデルを取得することで,そのメリットを得た。 本研究では,プライバシ保存型フェデレーションサバイバルスコア生成フレームワークの有効性と実世界の異種生存データへの適用性を示す。

関連論文リスト

• Differentially Private Multi-Site Treatment Effect Estimation [28.13660104055298]
  ほとんどの患者データは別々の病院でサイロに残っており、データ駆動型医療AIシステムの設計を妨げている。 医療応用における因果推論の重要な課題である平均治療効果(ATE)を推定することを検討する。 本稿では, ATE推定値とその分散を品質指標として報告する, サイトごとの推定アルゴリズムのクラスを通してこの問題に対処する。
  論文  参考訳（メタデータ） (2023-10-10T01:21:01Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Scaling Survival Analysis in Healthcare with Federated Survival Forests: A Comparative Study on Heart Failure and Breast Cancer Genomics [7.967995669387532]
  現実世界のアプリケーションでは、生存データは不完全、検閲、分散、機密であることが多い。 我々はFedSurF++と呼ばれるFederated Survival Forestアルゴリズムの拡張を提案する。
  論文  参考訳（メタデータ） (2023-08-04T15:25:56Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Federated Survival Forests [9.413131350284083]
  本稿では,最も成功した生存モデルであるランダム生存林に基づく生存分析のための新しいアルゴリズムを提案する。 単一のコミュニケーションラウンドでFedSurFは、数百回のイテレーションでトレーニングされたディープラーニングベースのフェデレーションモデルに匹敵する差別的なパワーを得る。
  論文  参考訳（メタデータ） (2023-02-06T14:31:51Z)
• Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
  医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。 最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。 ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
  論文  参考訳（メタデータ） (2022-06-20T23:49:38Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• A Tree-based Federated Learning Approach for Personalized Treatment Effect Estimation from Heterogeneous Data Sources [5.049057348282933]
  フェデレーション学習は、分散ヘルスデータネットワークから機密データを分析するための魅力的なフレームワークである。 本研究は, 治療効果評価装置を効率よく, 解釈可能なツリーベースアンサンブルを開発した。
  論文  参考訳（メタデータ） (2021-03-10T18:51:30Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。