研究人员使用机器学习技术建立模型，以提高对COVID-19结果的预测

西奈山研究人员发表了首批使用名为“联邦学习”的机器学习技术检查电子健康记录的研究之一，以更好地预测COVID-19患者的病情进展。这项研究发表在《科学》杂志上医学互联网研究杂志-医学信息学1月18日。

研究人员表示，这项新兴技术有望创造出更强大的机器学习模型，在不损害患者隐私的情况下扩展到单个医疗系统。反过来，这些模式可以帮助对病人进行分类，提高他们的护理质量。

联邦学习是一种跨持有本地数据样本的多个设备或服务器训练算法的技术，但避免了临床数据聚合，这是不可取的，原因包括患者隐私问题。西奈山的研究人员使用来自电子健康记录在卫生系统内的五家独立医院进行COVID-19患者死亡率预测。他们比较了联邦的性能模型与分别使用每家医院的数据建立的模型相比，称为本地模型。在联邦网络上训练他们的模型，并在每家医院测试本地模型的数据后，研究人员发现，联邦模型显示出增强的预测能力，在大多数医院优于本地模型。

机器学习模型卫生保健该研究的通讯作者Benjamin Glicksberg博士说，他是西奈山伊坎医学院遗传学和基因组科学的助理教授。西奈山Hasso Plattner数字健康研究所和西奈山临床智能中心成员。联邦学习在生物医学领域获得了广泛的关注，它可以让模型在不暴露任何敏感患者数据的情况下从多种来源进行学习。在我们的工作中，我们证明了这一战略在COVID-19等情况下可能特别有用。”

医院内建立的机器学习模型并不总是对其他患者群体有效，部分原因是模型是根据单一患者群体的数据进行训练的，而这并不代表整个人群。

该研究的第一作者、西奈山伊坎医学院(Icahn School of Medicine at Mount Sinai)遗传和基因组科学系博士后、医学博士阿基尔·维德(Akhil Vaid)表示:“医疗保健领域的机器学习继续面临可再现性危机。”西奈山Hasso Plattner数字健康研究所和西奈山临床智能中心成员。“我们希望这项工作展示了使用联合学习与电子健康记录的好处和限制，对于一种个人数据相对缺乏的疾病医院。使用这种联合方法建立的模型优于那些在隔离医院的有限样本中单独建立的模型。看到这类大型项目的成果将是令人兴奋的。”

---

---