Privacy-preserving regression methods for distributed biomedical data
Notice bibliographique
Résumé
Les études multicentriques avec des réseaux de données séparés sont omniprésentes dans la recherche médicale et sont de plus en plus utilisées pour mettre en place des systèmes de surveillance de la santé, mener des recherches d'efficacité comparative et concevoir des études d'intervention. Parmi les principaux exemples, on peut citer le Réseau canadien pour les études observationnelles sur les effets des médicaments (CNODES), le système de surveillance de la sécurité des produits médicaux de la FDA aux États-Unis (Sentinel) et ENCePP en Europe. Au sein des réseaux de données distribués (RDD), le maintien de la confidentialité et la limitation de la divulgation d'informations sensibles sont essentiels en raison de préoccupations légitimes en matière d'éthique et de confidentialité. Par conséquent, le partage de données individuelles entre partenaires au sein d'un même réseau est soit restreint, soit totalement interdit lors de la modélisation statistique.Ces dernières années, diverses méthodes d'analyse préservant la vie privée ont été proposées pour les RDD. Les techniques traditionnelles telles que la désidentification ne sont pas toujours efficaces car il est possible de ré-identifier les individus par des attaques de liaison. Bien que des techniques telles que la génération de données synthétiques (différentiellement privées) offrent des garanties de confidentialité, elles ne sont pas toujours accessibles aux chercheurs biomédicaux et peuvent nécessiter une formation spécialisée pour être mises en œuvre. Les analyses basées sur les protocoles et les modèles sont également courantes dans les RDD. Par exemple, certains protocoles Sentinel impliquent un site central coordonnant les analyses de manière distributive, de sorte que seules les statistiques récapitulatives sont utilisées à partir des nœuds contributeurs. Bien que de telles méthodes améliorent la réplicabilité et augmentent la transparence, elles imposent des charges excessives aux nœuds lorsque l'estimation nécessite l'utilisation de schémas itératifs.Dans cette thèse, nous développons des méthodes de régression faciles à mettre en œuvre et rentables qui préservent la vie privée pour les types de données fréquemment rencontrés. Pour les données de réponse binaires, nous proposons une approche basée sur la vraisemblance pour la modélisation de la régression logistique en rassemblant les principaux résultats de la méthode de mise en commun de Weinberg & Umbach (1999) et la mise à jour en une étape de Newton-Raphson (Van der Vaart (1998)). En regroupant les enregistrements individuels à chaque nœud en fonction de l'état des résultats, nous générons des sous-cohortes de données sûres et "préservant la confidentialité" à transmettre aux sites d'analyse centraux. Pour effectuer la régression des risques proportionnels de Cox largement utilisée, nous agrégeons les enregistrements individuels des covariables sur les sites de recrutement dans le cadre d'échantillonnage cas-témoins imbriqués (CTI) avant de partager la sous-cohorte CTI regroupée pour l'estimation et l'inférence. Enfin, pour généraliser l'analyse des données de temps jusqu'à l'événement aux contextes où la formation de sous-cohortes regroupées n'est pas pratique ou où la méta-analyse est facilement accessible, nous proposons un estimateur efficace en une étape qui s'appuie sur la méta-analyse comme estimateur de départ et des résumés spécifiques au site pour une mise à jour unique. Il est démontré que l'estimateur proposé préserve les principales caractéristiques asymptotiques de l'estimateur de méta-analyse de départ et peut être considéré comme une étape de mise à jour supplémentaire de l'estimation de Newton-Raphson. Parallèlement aux résultats théoriques présentés, nous démontrons les méthodes par le biais de simulations et d'applications approfondies aux données de la recherche médicale
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 | 0,016 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».