論文の概要: Federated Deep Learning for Privacy-Preserving Cardiovascular Disease Risk Prediction

• arxiv url: http://arxiv.org/abs/2607.08595v1
• Date: Thu, 09 Jul 2026 15:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.580618
• Title: Federated Deep Learning for Privacy-Preserving Cardiovascular Disease Risk Prediction
• Title（参考訳）: プライバシー保護型心血管疾患リスク予測のためのフェデレーションディープラーニング
• Abstract要約: プライバシー保護型心血管疾患のリスク予測のための深層学習手法を提案する。 フェデレーション学習を用いて訓練された深層生存モデルは、フェデレーションなしで訓練されたモデルよりも高い予測性能を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiovascular disease risk prediction models often rely on data from a single institution or centrally pooled datasets. Extending these models across institutions could be limited by privacy regulations and constraints on sharing patient-level data. Federated learning enables collaborative model development without transferring sensitive patient data, but its application in healthcare remains challenging because datasets often differ in size, population characteristics, and outcome definitions. In this study, we present a federated deep learning approach for privacy-preserving cardiovascular disease risk prediction that integrates two population-based cohorts with different characteristics: Lifelines, including 148,230 participants meeting the study inclusion criteria with self-reported outcomes, and the Rotterdam Study, including a smaller cohort of 10,155 participants with digitally linked clinical outcomes. Model performance was primarily evaluated on the Rotterdam Study because of its complete follow-up. Deep survival models trained using federated learning achieved higher predictive performance than models trained locally without federation. For the Rotterdam Study, the C-statistic increased from 0.728 (95% CI: 0.717-0.739) to 0.739 (95% CI: 0.728-0.749). For Lifelines, the C-statistic increased from 0.783 (95% CI: 0.775-0.791) to 0.787 (95% CI: 0.780-0.792). These findings suggest that federated deep learning across heterogeneous cohorts can improve cardiovascular disease risk prediction while preserving the privacy of individual-level patient data.
• Abstract（参考訳）: 心血管疾患のリスク予測モデルは、単一の機関または中央プールされたデータセットのデータに依存することが多い。 これらのモデルを機関全体に拡張することは、プライバシ規制や患者レベルのデータ共有の制約によって制限される可能性がある。 フェデレートラーニング(Federated Learning)は、センシティブな患者データを転送することなく、協調的なモデル開発を可能にするが、データセットのサイズ、人口特性、結果の定義が異なるため、医療への応用は依然として困難である。 本研究では,プライバシー保護型心血管疾患のリスク予測のための深層学習手法を提案する。調査対象者148,230名を含むライフラインと,デジタルに関連付けられた臨床結果を持つ10,155名を含むロッテルダム研究である。 モデル性能はRotterdam Studyで完全にフォローアップされたため、主に評価された。 フェデレーション学習を用いて訓練された深層生存モデルは、フェデレーションなしで訓練されたモデルよりも高い予測性能を達成した。 ロッテルダム調査では、C統計は0.728 (95% CI: 0.717-0.739) から0.739 (95% CI: 0.728-0.749) に増加した。 ライフラインでは、C統計は0.783 (95% CI: 0.775-0.791) から0.787 (95% CI: 0.780-0.792) に増加した。 これらの結果から,多種性コホートにまたがる連携型深層学習は,個別の患者データのプライバシーを維持しつつ,心血管疾患のリスク予測を改善することが示唆された。

関連論文リスト

• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Translating Machine Learning Interpretability into Clinical Insights for ICU Mortality Prediction [0.18416014644193068]
  我々は2つの機械学習モデルと解釈機構を開発し、厳格に評価した。 有意な欠失(130,810人,5.58% ICU死亡)と欠失(5,661人,23.65% ICU死亡)の2つのデータセットを検討した。 ランダムフォレスト(RF)モデルは、第1のデータセットで0.912のAUROC、第2のデータセットで0.839のAUROC、第1のデータセットで0.924のAUROC、第2のデータセットで0.834のAUROCを示した。
  論文  参考訳（メタデータ） (2025-07-30T02:19:06Z)
• Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
  集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。 我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-25T00:48:23Z)
• Multimodal Cardiovascular Risk Profiling Using Self-Supervised Learning of Polysomnography [11.59070680647139]
  マルチモーダル信号から意味あるパターンを抽出する自己教師型ディープラーニングモデルを開発した。 心電図による特徴は, 心電図上, 心電図上, 心電図上, 心電図上, 心電図上, 心電図上, 心電図上, 心電図上, 心電図上, 心電図 脳波による特徴は、入所高血圧とCVD死亡の予測であった。
  論文  参考訳（メタデータ） (2025-07-11T20:24:10Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Machine Learning-Based Model for Postoperative Stroke Prediction in Coronary Artery Disease [0.0]
  本研究では,術後脳卒中リスクを評価するための高度な機械学習予測モデルを開発し,評価することを目的とする。 データセットには70%のトレーニングと30%のテストがあり、数値は正規化され、カテゴリ変数は1ホットエンコードされた。 ロジスティック回帰、XGBoost、SVM、CatBoostは予測モデルに使われ、SHAP分析は各変数のストロークリスクを評価した。
  論文  参考訳（メタデータ） (2025-03-15T02:50:32Z)
• Development and Validation of a Dynamic Kidney Failure Prediction Model based on Deep Learning: A Real-World Study with External Validation [30.273170207534637]
  慢性腎臓病(CKD)は公衆衛生上重要な問題となっている。 既存のモデルの多くは静的であり、病気の進行の時間的傾向を捉えていない。 我々は,リアルタイム腎不全の予測に,現実の電子健康記録からの一般的な経時的臨床指標を利用するダイナミックモデルを開発した。
  論文  参考訳（メタデータ） (2025-01-25T13:52:51Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• 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)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。