Une étude présente une approche d'apprentissage profond fédéré pour la prédiction du risque de maladie cardiovasculaire préservant la confidentialité, qui intègre deux cohortes basées sur la population : Lifelines et l'Étude de Rotterdam.
- La méthode combine 148 230 participants de Lifelines avec des résultats auto-déclarés et 10 155 participants de l'Étude de Rotterdam avec des résultats cliniques liés numériquement.
- Les modèles de survie profonde entraînés par apprentissage fédéré ont obtenu de meilleures performances prédictives que les modèles entraînés localement sans fédération.
- Pour l'Étude de Rotterdam, le C-statistic est passé de 0,728 à 0,739.
- Pour Lifelines, le C-statistic est passé de 0,783 à 0,787.
Ces résultats suggèrent que l'apprentissage profond fédéré entre des cohortes hétérogènes peut améliorer la prédiction du risque de maladie cardiovasculaire tout en préservant la confidentialité des données patient au niveau individuel.