複数パートナーのOneFlorida+コンソーシアムデータを用いた連合学習による重大な術後合併症の予測

要旨: 背景: 本研究は、多施設データ信託の大規模データセットを用いて、術後の主要な合併症と死亡を予測する連合学習モデルを開発・検証することを目的とする。我々は、連合学習モデルがデータのプライバシーとセキュリティを保持しつつ、堅牢な一般化性能を提供すると仮定する。方法: 本研究は、後向き・縦断的・多施設コホート研究で、2012-2023年にかけて、5つの医療機関に入院した成人患者358,644名が、494,163件の入院中の主要外科手術を受けた。 我々は内部および外部検証を行った連合学習モデルを開発し、術後リスクとして集中治療室（ICU）入院、機械的換気（MV）療法、急性腎障害（AKI）、院内死亡を予測。これらのモデルは、単一施設のデータで訓練された局所モデルと、すべての施設からの統合データセットで訓練された中央モデルと比較した。パフォーマンスは主に ROC曲線下面積（AUROC）および精度-再現率曲線下面積（AUPRC）の値で評価した。結果: 我々の連合学習モデルは予測性能が高く、AUROC値は、すべてのアウトカムおよび施設で一貫して同等または優れた性能を示し、AUPRCについても同様であった。我々の連合学習モデルは一般化可能性も高く、各サイトで最良の局所学習モデルと比較して、AUROCおよびAUPRCの両方の観点で同等または優れた性能を示した。結論: 多施設データを活用することで、主要な術後合併症と死亡の予測モデルを堅牢で一般化可能かつプライバシーを保護する形で開発した。これらの知見は、臨床意思決定支援システムにおける連合学習の実現可能性を支持する。