🤖 machine learning

Federated Deep Learning for Privacy-Preserving Cardiovascular Disease Risk Prediction

Este estudio demuestra que un enfoque de aprendizaje profundo federado mejora con éxito la predicción del riesgo de enfermedades cardiovasculares en dos cohortes heterogéneas (Lifelines y el Estudio de Rotterdam) al tiempo que preserva la privacidad del paciente mediante el uso de un entrenamiento de modelos colaborativo sin compartir datos sensibles a nivel individual.

Autores originales: Hyunho Mo, Djura Smits, Mahlet A. Birhanu, Maarten J. G. Leening, Daniel Bos, Pim van der Harst, Esther E. Bron

Publicado 2026-07-10

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Hyunho Mo, Djura Smits, Mahlet A. Birhanu, Maarten J. G. Leening, Daniel Bos, Pim van der Harst, Esther E. Bron

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñarle a un robot superinteligente a predecir quién podría tener un problema cardíaco en los próximos diez años. Normalmente, para enseñarle a este robot, necesitarías reunir todos los archivos médicos de cada paciente en una biblioteca gigante y centralizada. Pero aquí está el truco: esos archivos son como diarios secretos. Las leyes (como el RGPD) dicen que no puedes simplemente enviar esos diarios por correo a una biblioteca central porque eso rompería la privacidad de las personas.

Entonces, ¿cómo le enseñas al robot sin ver los diarios? Los autores de este artículo intentaron un truco ingenioso llamado Aprendizaje Federado (Federated Learning).

Piensa en esto como un grupo de estudiantes trabajando en un proyecto grupal, pero que no tienen permitido salir de sus propias casas.

El Estudiante A vive en un vecindario enorme llamado Lifelines (con 148.230 personas). Tienen muchos datos, pero son un poco difusos porque los estudiantes simplemente llenaron cuestionarios sobre su salud. Saben si alguien tuvo un evento cardíaco, pero no están 100% seguros de la fecha exacta.
El Estudiante B vive en un vecindario más pequeño y muy preciso llamado Rotterdam Study (con 10.155 personas). Sus datos son súper nítidos porque están vinculados directamente a registros hospitalarios. Saben la fecha exacta de los eventos cardíacos.

En lugar de enviar sus diarios a un profesor, cada estudiante entrena su propio mini-robot con sus datos locales. Luego, solo envían las lecciones aprendidas (los pesos matemáticos del robot) a un servidor central. El servidor mezcla estas lecciones para crear un "Súper Robot" y envía las nuevas instrucciones de vuelta. Los datos reales de los pacientes nunca salen de sus casas.

¿Qué descubrieron?
El artículo sugiere que este enfoque de "proyecto grupal" en realidad funcionó mejor que si cada estudiante hubiera trabajado por su cuenta.

Cuando el robot del Rotterdam Study se entrenó por sí solo, obtuvo una puntuación de 0,728 (de un máximo de 1,0, donde cuanto mayor es, mejor).
Después de unirse al proyecto grupal, su puntuación subió a 0,739.
El robot de Lifelines también mejoró, pasando de 0,783 a 0,787.

Es como si el gran vecindario difuso (Lifelines) hubiera compartido suficiente sabiduría general para ayudar al pequeño y preciso vecindario (Rotterdam) a volverse aún más agudo, a pesar de que nunca vieron sus diarios secretos.

¿Qué no funcionó o no fue probado?
El artículo es cuidadoso al decir que esto no es una cura mágica para todo.

No demostraron que esto funcione para cada hospital o para cada tipo de enfermedad. Solo lo probaron con estos dos grupos específicos.
No dijeron que el problema esté "resuelto". De hecho, notaron algo interesante: el gran vecindario difuso (Lifelines) era tan enorme que sus lecciones a veces empezaban a reducir ligeramente el rendimiento del pequeño robot preciso después de un tiempo (alrededor de la duodécima ronda de lecciones). El artículo sugiere que, en el futuro, podríamos necesitar una forma más inteligente de mezclar las lecciones para que el grupo grande no opaque al grupo pequeño y preciso.
No utilizaron el robot para tratar pacientes todavía. Esto fue una prueba para ver si las matemáticas funcionan.

¿Qué tan seguros están?
Los autores están seguros de que el método sugiere una mejora. Realizaron el experimento 10 veces para estar seguros de que los resultados no fueron solo cuestión de suerte, y las puntuaciones aumentaron consistentemente. Sin embargo, debido a que solo probaron con dos grupos específicos con diferentes tamaños y diferentes formas de registrar datos, no pueden afirmar que esta sea una solución perfecta para todo el mundo todavía. Argumentan que, si bien los datos "difusos" ayudaron, los datos "precisos" fueron los protagonistas de la evaluación final.

En resumen, el artículo muestra que puedes construir un predictor de riesgo cardíaco mejor al dejar que diferentes grupos enseñen a un robot juntos sin compartir nunca sus secretos privados, pero todavía necesitamos descubrir la mejor manera de equilibrar las lecciones cuando un grupo es mucho más grande que el otro.

Resumen Técnico: Aprendizaje Profundo Federado para la Predicción del Riesgo de Enfermedades Cardiovasculares Preservando la Privacidad

Planteamiento del Problema
Los modelos de predicción de riesgo de enfermedades cardiovasculares (ECV) dependen tradicionalmente de datos agrupados de instituciones individuales o de conjuntos de datos agregados centralmente. Sin embargo, la extensión de estos modelos a múltiples instituciones se ve obstaculizada por las regulaciones de privacidad (por ejemplo, el RGPD) que restringen el intercambio de datos individuales de pacientes. Si bien el Aprendizaje Federado (FL, por sus siglas en inglés) ofrece una solución al permitir el entrenamiento colaborativo de modelos sin transferencia de datos, su aplicación en la atención médica enfrenta desafíos debido a la heterogeneidad entre los conjuntos de datos. Estas diferencias incluyen variaciones en el tamaño de la cohorte, las características de la población, las definiciones de los desenlaces (por ejemplo, autoinformados frente a clínicamente verificados) y la completitud del seguimiento. Estudios previos se han centrado en validar la infraestructura de FL utilizando pseudo-divisiones de cohortes únicas, dejando un vacío en la comprensión de los beneficios predictivos de un verdadero FL multisitio a través de poblaciones genuinamente heterogéneas.

Metodología
El estudio implementa un marco de aprendizaje federado horizontal para entrenar una Red Neuronal de Supervivencia Profunda (DeepSurv) para la predicción del riesgo de ECV en dos cohortes poblacionales distintas: Lifelines (N=148.230) y el Estudio de Rotterdam (N=10.155).

Armonización de Datos: Para garantizar la consistencia de los insumos en todos los sitios, un flujo de trabajo de tres etapas convirtió los datos brutos de las cohortes en un formato compatible con HL7 FHIR. Esto implicó transformar los datos CSV en un Formato de Datos Común (CDF) centrado en el paciente, aplicar reglas de mapeo específicas de cada sitio para generar recursos FHIR, y aplanarlos en estructuras tabulares para el algoritmo de aprendizaje. No se transfirieron datos brutos entre los sitios.
Predictores y Desenlaces: El modelo utilizó 12 predictores (por ejemplo, edad, sexo, presión arterial, lípidos, estado de tabaquismo, diabetes, hipertensión) seleccionados con base en herramientas establecidas de riesgo de ECV. El desenlace fue un evento compuesto de ECV (accidente cerebrovascular, infarto de miocardio o insuficiencia cardíaca) durante un seguimiento de 10 años. Notablemente, los desenlaces de Lifelines fueron autoinformados con tiempos de eventos basados en intervalos, mientras que los del Estudio de Rotterdam fueron vinculados digitalmente a registros clínicos con fechas exactas de los eventos.
Configuración Federada: El sistema utilizó la plataforma Vantage6 con una arquitectura cliente-servidor. Dos nodos cliente (Lifelines y Estudio de Rotterdam) poseían conjuntos de datos locales armonizados mediante FHHR. Un nodo agregador central realizó el Promedio Federado (FedAvg).
- Arquitectura del Modelo: DeepSurv, una red neuronal de alimentación hacia adelante (feed-forward) con una capa de entrada de 12 neuronas, dos capas ocultas de 16 neuronas y una salida lineal. Reemplazó el predictor lineal del modelo de riesgos proporcionales de Cox con una red neuronal para capturar asociaciones no lineales.
- Protocolo de Entrenamiento: Los modelos locales se entrenaron durante 100 épocas por ronda utilizando el optimizador Adam. El proceso se ejecutó durante 20 iteraciones de agregación. Los pesos del modelo se agregaron basándose en el número de muestras de entrenamiento en cada nodo ( $n_k$ ).
- Evaluación: El rendimiento se evaluó mediante el C-estadístico (estadístico de concordancia) a través de 10 ejecuciones independientes con remuestreo estratificado. Los intervalos de confianza se computaron utilizando una prueba t de remuestreo corregida.

Resultos Clave
El estudio comparó el rendimiento de los modelos locales (entrenados independientemente en cada cohorte sin federación) frente al modelo federado (entrenado vía FedAvg).

Estudio de Rotterdam: El C-estadístico mejoró de 0,728 (IC 95%: 0,717–0,739) en el modelo local a 0,739 (IC 95%: 0,728–0,749) en el modelo federado. La trayectoria de aprendizaje mostró un aumento inicial rápido, alcanzando su máximo alrededor de la iteración 12, seguido de un ligero descenso, pero manteniéndose por encima de la línea base local.
Lifelines: El C-estadístico mejoró de 0,783 (IC 95%: 0,775–0,791) a 0,787 (IC 95%: 0,780–0,792). La mejora fue más gradual y sostenida a través de las 20 iteraciones sin el descenso observado en el Estudio de Rotterdam.
Manejo de la Heterogeneidad: A pesar de las diferencias significativas en el tamaño de la cohorte (siendo Lifelines ~14 veces más grande), la precisión de los desenlaces (autoinformados frente a clínicos) y la demografía de la población, el enfoque federado mejoró con éxito la discriminación en ambas cohortes. La mayor mejora en el más pequeño Estudio de Rotterdam sugiere que este se benefició significamente de la información proporcionada por la cohorte más grande, Lifelines.

Significancia y Reivindicaciones
El artículo sostiene que el aprendizaje profundo federado puede mejorar eficazmente la predicción del riesgo de ECV a través de cohortes heterogéneas mientras preserva estrictamente la privacidad de los datos individuales. Las contribuciones clave incluyen:

Validación en el Mundo Real: Ir más allá de las pruebas de concepto de infraestructura mediante pseudo-divisiones para demostrar la viabilidad del FL a través de dos cohortes independientes del mundo real con características y definiciones de desenlaces distintas.
Valor de los Datos Imperfectos: El estudio sugiere que las cohortes grandes con desenlaces menos precisos y autoinformados (Lifelines) aún pueden contribuir con información valiosa para mejorar la predicción de riesgo en cohortes más pequeñas con datos clínicos de alta precisión (Estudio de Rotterdam) cuando se utilizan en un entorno federado.
Cumplimiento de la Privacidad: El marco operó con éxito dentro de los acuerdos de privacidad institucionales existentes (cumplimiento del RGPD), compartiendo únicamente pesos de modelos agregados y asegurando que ningún dato a nivel individual saliera de los entornos locales.
Dinámicas de Convergencia: Los autores señalan que el comportamiento de convergencia en entornos heterogéneos del mundo real difiere de los escenarios de pseudo-divisiones, donde la cohorte más grande ejerce una influencia dominante sobre el modelo agregado, afectando potencialmente la trayectoria de rendimiento de las cohortes más pequeñas en las iteraciones finales.

Los autores concluyen que, si bien existen limitaciones (como la configuración de dos nodos y el manejo de riesgos competitivos), los hallazgos respaldan el potencial para la predicción colaborativa de riesgo de ECV a gran escala y multiinstitucional sin comprometer la privacidad de los datos.

Más como este