Privacy‐preserving federated data access and federated learning: Improved data sharing and <scp>AI</scp> model development in transfusion medicine
Notice bibliographique
Résumé
BACKGROUND: Health data comprise data from different aspects of healthcare including administrative, digital health, and research-oriented data. Together, health data contribute to and inform healthcare operations, patient care, and research. Integrating artificial intelligence (AI) into healthcare requires understanding these data infrastructures and addressing challenges such as data availability, privacy, and governance. Federated learning (FL), a decentralized AI training approach, addresses these challenges by allowing models to learn from diverse datasets without data leaving its source, thus ensuring privacy and security are maintained. This report introduces FL and discusses its potential in transfusion medicine and blood supply chain management. METHODS AND DISCUSSION: FL can offer significant benefits in transfusion medicine by enhancing predictive analytics, personalized medicine, and operational efficiency. Predictive models trained on diverse datasets by FL can improve accuracy in forecasting blood transfusion demands. Personalized treatment plans can be refined by aggregating patient data from multiple institutions using FL, reducing adverse reactions and improving outcomes. Operational efficiency can also be achieved through precise demand forecasting and optimized logistics. Despite its advantages, FL faces challenges such as data standardization, governance, and bias. Harmonizing diverse data sources and ensuring fair, unbiased models require advanced analytical solutions. Robust IT infrastructure and specialized expertise are needed for successful FL implementation. CONCLUSION: FL represents a transformative approach to AI development in healthcare, particularly in transfusion medicine. By leveraging diverse datasets while maintaining data privacy, FL has the potential to enhance predictions, support personalized treatments, and optimize resource management, ultimately improving patient care and healthcare efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».