Bridging the Gaps: Imputation of Parkinson’s Disease Clinical Assessments With Federated Learning
Notice bibliographique
Résumé
Routine clinical assessments for Parkinson's disease are essential instruments in both clinical practice and research, often used to identify disease sub-types and monitor the progression of disease severity. However, each clinic has limited access to information and the quality of these assessments is often degraded by the amount of missing information recorded at the time of each visit. The main objective of this study is to evaluate the performance of Federated Learning (FL) algorithms for imputing missing clinical data, enhancing the quality of decentralized Parkinson's disease assessments while maintaining data privacy. Specifically, we explore the impact of various aggregation strategies on the imputation of clinical data from 1,370 patients in the Parkinson Progression Marker Initiative (PPMI). Notably, the Cyclic Weight Transfer (CWT) algorithm stands out for its lower imputation errors. To validate this study, we conducted a downstream analysis using imputed data to predict symptoms progression. We observed that a FL-based approach yields superior model performance based on imputation errors, when compared to traditional learning strategies. These improvements can achieve 37.7% and 31.5% lower mean imputation errors with low and moderate degree of missing scores in the training data, respectively. In addition, we achieved better classification scores with Random Forest models trained with imputed data from FL-based approaches, compared to traditional statistical methods, with improvements of 0.5% in PR-AUC, 0.6% in ROC-AUC, and 1.3% in F-1 score. These results highlight FL as a robust and secure solution for decentralized clinical data management, offering improved performance while preserving patient privacy.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».