Federované učenie v regulačne overenom bezpečnom prostredí: štúdia nasadenia v niekoľkých nemocniciach

Štúdia prezentuje implementáciu federovaného učenia v certifikovanom bezpečnom prostredí Helsinskej univerzitnej nemocnice (HUS) v Fínsku. Federované učenie umožňuje spoluprácu pri vývoji modelov bez prenosu údajov pacientov medzi inštitúciami. Systém bol nasadený v troch univerzitných nemocniciach (Helsinki, Turku, Tampere) a prešiel diferenciálnym bezpečnostným posúdením, ktoré identifikovalo päť zistení (jedno vysokej, dve strednej a dve nízkej závažnosti), všetky boli odstránené. Federovaný model DeepSurv na predpovedanie prognózy akútnej myeloidnej leukémie bol úspešne trénovaný bez centralizácie údajov pacientov s 100% úspešnosťou zlúčenia parametrov. Federovaný model vykazoval lepšiu stratifikáciu rizika ako lokálne trénované modely, s vyššími log-hazard pomermi (4,32 vs 1,79 v HUS, 7,20 vs 3,19 v TAYS a 5,90 vs 2,91 v TYKS). Štúdia demonštruje praktickú cestu pre operacionalizáciu federovaného učenia v regulovaných zdravotníckych prostrediach.