L’unione fa la scienza: un modello di apprendimento federato predice la necessità di ossigeno nei pazienti COVID-19

Fonte: Federated learning for predicting clinical outcomes in patients with COVID-19

Uno studio pubblicato su Nature Medicine illustra l’efficacia di un algoritmo in grado di prevedere le esigenze di ossigeno dei pazienti ricoverati.

Lo studio (che potete leggere qui) è stato condotto dal Addenbrooke’s Hospital di Cambridge insieme ad altri 20 ospedali di tutto il mondo utilizzando un modello di apprendimento federato (FL), un metodo usato per addestrare modelli di intelligenza artificiale con dati provenienti da più fonti mantenendo l’anonimato dei dati, eliminando così molte barriere alla condivisione dei dati.

Il modello FL, denominato EXAM, è stato addestrato con i dati di oltre 10.000 pazienti affetti dal COVID-19 mediante un dataset clinico che comprendeva la radiografia del torace, diversi esami di laboratorio ed alcuni parametri vitali insieme al decorso e l’esito del ricovero.

EXAM ha raggiunto un’area media sotto la curva (AUC) >0,92 per la previsione degli esiti a 24 e 72 ore dal momento della presentazione iniziale al pronto soccorso, e ha fornito un miglioramento del 16% nell’AUC media misurata in tutti i siti partecipanti e un aumento medio della generalizzabilità del 38% rispetto ai modelli addestrati con i dati di una singola struttura. Per la previsione del trattamento di ventilazione meccanica o della morte a 24 ore nel più grande sito di test indipendente, EXAM ha raggiunto una sensibilità del 95% e una specificità di oltre l’88%.

La ricerca è stata sostenuta dal National Institute for Health Research (NIHR) Cambridge Biomedical Research Centre (BRC). Questo, insieme all’ospedale Mass General Brigham negli USA, sta collaborando con la startup Rhino Health di NVIDIA Inception per condurre studi prospettici su EXAM.

Rispondi