Sebuah studi menyajikan pendekatan pembelajaran mendalam federasi untuk prediksi risiko penyakit kardiovaskular yang melestarikan privasi, yang mengintegrasikan dua kohort berbasis populasi: Lifelines dan Studi Rotterdam.
- Metode ini menggabungkan 148.230 peserta dari Lifelines dengan hasil yang dilaporkan sendiri dan 10.155 peserta dari Studi Rotterdam dengan hasil klinis yang terhubung secara digital.
- Model kelangsungan hidup mendalam yang dilatih menggunakan pembelajaran federasi mencapai kinerja prediktif yang lebih tinggi daripada model yang dilatih secara lokal tanpa federasi.
- Untuk Studi Rotterdam, C-statistic meningkat dari 0,728 menjadi 0,739.
- Untuk Lifelines, C-statistic meningkat dari 0,783 menjadi 0,787.
Temuan ini menunjukkan bahwa pembelajaran mendalam federasi di seluruh koheterogen dapat meningkatkan prediksi risiko penyakit kardiovaskular sambil melestarikan privasi data pasien tingkat individu.