IA · Ciencia · KAIST · Aprendizaje federado
KAIST publica un método para entrenar IA entre expedientes clínicos incompatibles
EHRFL convierte registros a texto y selecciona colaboradores mediante representaciones agregadas; la evaluación usa bases de cuidados intensivos.
Fecha de la fuente original:
Lo esencial
- EHRFL convierte registros a texto y selecciona colaboradores mediante representaciones agregadas; la evaluación usa bases de cuidados intensivos.
- La evaluación retrospectiva utiliza datos de cuidados intensivos; no demuestra eficacia clínica ni garantiza la privacidad de todo el sistema.
Compatibilidad mediante texto
Un estudio de KAIST publicado en Scientific Reports presenta EHRFL, un método de aprendizaje federado para instituciones con sistemas de expedientes clínicos diferentes. Convierte eventos médicos en texto y selecciona colaboradores mediante similitud entre representaciones agregadas de pacientes. La selección incorpora privacidad diferencial para evitar compartir representaciones individuales.
Selección de colaboradores y prueba retrospectiva
El equipo evaluó doce tareas con cinco grupos construidos a partir de MIMIC-III, MIMIC-IV y eICU. Seleccionar menos participantes igualó o mejoró el resultado de usar los cinco en 13 de 15 comparaciones reportadas. La prueba se limita a cuidados intensivos y no incorpora limpieza explícita de datos. La publicación formal sigue a un preprint de 2024.