複数施設のICUにおける早期敗血症予測のための、知識グラフと時系列トランスフォーマーを組み込んだ連合学習フレームワーク

要旨：集中治療室（ICU）患者における敗血症の早期予測は、生存率の向上にとって極めて重要です。しかし、正確な予測モデルの開発は、医療機関間のデータ断片化と医療データの複雑で時系列的な性質、そして厳格なプライバシー制約の下で阻まれています。これらの課題に対処するため、フェデレーテッドラーニング（FL）を医療知識グラフおよび時系列トランスフォーマーモデルと独自に統合し、メタ学習機能を強化した新しいフレームワークを提案します。私たちのアプローチは、生の患者データを共有することなく、複数の病院間で共同のモデル訓練を可能にし、プライバシーを保護します。モデルは、構造化された医療関係を組み込むために知識グラフを活用し、臨床時系列データにおける長距離依存関係を捉えるために時系列トランスフォーマーを採用します。モデル非依存のメタ学習（MAML）戦略をさらに組み込み、グローバルモデルをローカルデータ分布へ迅速に適応させることを促進します。MIMIC-IVデータセットおよびeICUデータセットで評価したところ、本手法はROC曲線下面積（AUC）0.956を達成し、従来の集中型モデルに比べて22.4％、標準的なフェデレーテッドラーニングに比べて12.7％の改善を示し、敗血症の予測能力が高いことを示しています。本研究は、複数施設間の協調的な敗血症の早期警告に対して信頼性が高く、プライバシーを保護する解決策を提示します。）