图片

全世界估计每年有2.3亿例重大外科手术，其中约有100万患者在手术中或手术后立即死亡。例如美国，每年就有超过1500万例大型住院手术，至少有15万名患者在手术后30天内死于术后并发症。术后并发症发生率高达32%。除了对患者的直接健康影响外，这些并发症还会给个人和医疗机构带来巨大的经济成本。术前对术后并发症风险的准确预测至关重要，因为它可以确定哪些患者会从术后入住重症监护室中受益，并使患者及其医务人员对手术和治疗方案的适当性做出更明智的决策，从而改善患者的整体预后。

图片

可见，准确预测术后并发症风险对于做出更好的临床决策和改善患者预后是多么的重要。人工智能（AI）与电子病历（EHR）的集成为加强风险评估提供了机会。然而，传统的集中式数据收集方法在患者隐私和数据保护方面面临重大挑战。这项研究探索了联邦学习作为一种替代方法来开发健壮和可通用的人工智能模型，而不需要集中式数据池。
本项研究旨在利用两家学术型医学中心的电子病历数据，建立一个鲁棒的、可推广的联邦学习模型来预测术后并发症的风险。

图片

这项回顾性队列研究纳入了2012年至2021年间在两家医学中心（佛罗里达大学盖恩斯维尔医学中心和杰克逊维尔医学中心）接受住院外科手术的成年患者。该研究使用了一种联合学习方法，在每家医学中心训练本地模型，并在中央服务器上聚合，而不交换实际数据。这些模型是在盖恩斯维尔的79,850例手术和杰克逊维尔的28,636例手术的数据集上训练的。数据集包括人口统计数据、社会经济、入院、合并症、药物、实验室和术中时间序列数据。

 

图片

该研究利用围手术期和术中特征开发了预测九种主要术后并发症的联合学习模型：
●ICU滞留时间延长（>48小时）
●机械通气
●神经系统并发症（包括谵妄）
●心血管并发症
●急性肾损伤
●静脉血栓栓塞
●脓毒症
●伤口并发症（感染性和机械性）
●住院死亡率

 

图片

将联合学习模型与本地模型（在单站点数据上训练）和集中模型（在两个医学中心的合并数据上训练）进行比较。
结果显示，联邦学习模型在不同的术后并发症中表现出了出色的性能：
●在佛罗里达大学盖恩斯维尔医学中心，受试者工作特征曲线下面积（AUROC）值从伤口并发症的0.81到ICU滞留时间延长的0.92不等。
●在佛罗里达大学杰克逊维尔医学中心，AUROC值从伤口并发症的0.73-0.74到住院死亡率的0.92-0.93不等。

图片

联邦学习模型的性能与中心型学习模型相当，除了对ICU滞留时间延长的预测之外，其中联邦学习模型在佛罗里达大学盖恩斯维尔医学中心的表现略好，在佛罗里达大学杰克逊维尔医学中心的表现稍差。此外，联合学习模型的性能与每个中心的最佳本地模型相当，表明其具有很强的泛化性。
总之，联邦学习是一种很有前途的工具，可以在克服数据保护障碍的同时，使用跨多个机构的大规模数据来训练健壮且可泛化的人工智能模型。这种方法可以有效地预测术后并发症，促进更好的临床决策，并能改善患者的预后。

图片

本研究得到了英伟达人工智能技术中心和佛罗里达大学健康集成数据中心的技术支持。本研究项目由美国国立卫生研究院的国立综合医学科学研究所(NIH/NIGMS)和美国国立卫生研究院的国立科学转化促进中心（NIH/NCATS）的临床和转化科学奖提供资助。