A federated learning and recalibration pipeline for clinical prediction across heterogeneous regions: 30-day mortality after acute myocardial infarction

Nell'era moderna della medicina, i medici si affidano sempre più a programmi informatici per aiutare a prevedere la salute futura di un paziente. Questi strumenti, noti come modelli di predizione clinica, analizzano i sintomi attuali e la storia medica di una persona per stimare la probabilità di un esito specifico, come la sopravvivenza dopo un infarto. Affinché questi programmi siano accurati, devono solitamente essere addestrati su enormi quantità di dati provenienti da molte persone diverse. Tuttavia, esiste un ostacolo significativo: le cartelle cliniche contengono informazioni profondamente private. Gli ospedali e i centri di ricerca spesso non possono condividere i propri dati grezzi con altri a causa delle rigide leggi sulla privacy e delle preoccupazioni etiche. Ciò crea un dilemma in cui i migliori modelli richiedono dati che non possono essere spostati, mentre i dati esistenti sono bloccati in silos isolati. Per risolvere questo problema, gli scienziati hanno sviluppato un metodo chiamato apprendimento federato (federated learning). Invece di raccogliere tutti i record dei pazienti in un unico database centrale, questo approccio consente a ogni ospedale di mantenere i propri dati sui propri computer. I computer comunicano poi tra loro, condividendo solo le lezioni matematiche apprese dai propri pazienti locali, senza mai rivelare l'identità o i dettagli specifici dei pazienti.

Un team di ricercatori si è posto l'obiettivo di testare se questo metodo potesse funzionare efficacemente per prevedere la mortalità a 30 giorni nei pazienti affetti da infarto miocardico acuto, un tipo grave di attacco cardiaco. Hanno utilizzato un dataset massiccio e molto noto proveniente da un importante studio internazionale chiamato GUSTO-I, che includeva oltre 40.000 pazienti provenienti da 16 diverse regioni del mondo. L'obiettivo era vedere se un modello costruito combinando le conoscenze di tutte queste regioni potesse prevedere il decesso con la stessa accuratezza di un modello costruito unendo tutti i dati grezzi, e se questo approccio combinato fosse migliore rispetto al ricorso a modelli addestrati in una singola regione. I ricercatori hanno confrontato tre diversi modi per costruire questi strumenti di predizione. Il primo era un approccio tradizionale in cui tutti i dati dei pazienti venivano accorpati in un unico luogo centrale. Il secondo consisteva nell'addestrare un modello separato per ciascuna delle 16 regioni utilizzando solo i dati di quella specifica regione. Il terzo era l'approccio federato, in cui le 16 regioni addestravano i propri modelli localmente e condividevano solo i coefficienti matematici risultanti per costruire un singolo modello globale, seguito da un rapido aggiustamento per garantire che le previsioni del rischio fossero correttamente calibrate.

I risultati hanno rivelato un modello chiaro riguardo a quanto bene questi modelli potessero viaggiare da un luogo all'altro. Quando i ricercatori testavano i modelli all'interno della specifica regione in cui erano stati creati, questi performavano ragionevolmente bene. Tuttavia, quando prendevano un modello addestrato in una regione e cercavano di usarlo per prevedere gli esiti in una regione diversa, l'accuratezza spesso diminuiva significativamente. Alcuni modelli che funzionavano bene localmente diventavano inaffidabili quando applicati altrove, mostrando una scarsa capacità di distinguere tra i pazienti che sarebbero sopravvissuti e quelli che non lo avrebbero fatto. Ciò evidenziava un problema fondamentale: le condizioni locali, la demografia dei pazienti e le pratiche di cura variano abbastanza da far sì che un modello costruito per un'area non funzioni automaticamente in un'altra. Al contrario, i modelli costruiti utilizzando i dati di tutte le regioni combinate — sia attraverso il tradizionale accorpamento centrale che attraverso il nuovo metodo federato — rimanevano stabili e accurati in tutte le 16 regioni. Questi modelli globali raggiungevano costantemente un alto livello di accuratezza, classificando correttamente i pazienti per rischio con un AUC di 0,82, e mantenevano questa prestazione indipendentemente dalla regione in cui venivano testati.

Lo studio ha anche confermato che il metodo dell'apprendimento federato poteva eguagliare quasi esattamente le prestazioni del tradizionale metodo di accorpamento centrale. Il modello globale costruito attraverso l'approccio federato, in cui nessun dato del paziente ha mai lasciato il proprio ospedale di origine, ha performato altrettanto bene del modello costruito dal dataset accorpato. Questa è stata una scoperta cruciale perché ha dimostrato che la privacy e l'alta qualità della predizione non sono mutuamente esclusive. Tuttavia, i ricercatori hanno notato un piccolo ostacolo tecnico nel processo federato. Quando i coefficienti matematici delle diverse regioni venivano semplicemente mediati, il modello risultante tendeva a sovrastimare leggermente il rischio complessivo di morte. Per risolvere questo problema, il team ha aggiunto una fase di ricalibrazione leggera alla fine. Questo passaggio ha regolato i numeri delle previsioni finali utilizzando solo statistiche riassuntive condivise tra gli ospedali, correggendo efficacemente il bias senza dover vedere alcun record individuale del paziente. Dopo questo aggiustamento, le previsioni del modello federato erano perfettamente allineate con quelle del modello centralizzato.

I ricercatori hanno anche esaminato la struttura interna di questi modelli per capire perché funzionassero in quel modo. Hanno scoperto che le regole matematiche apprese dal modello federato erano molto simili a quelle apprese dal modello centralizzato, suggerendo che il metodo distribuito aveva catturato con successo gli stessi schemi sottostanti di malattia e rischio. Al contrario, i modelli addestrati su singole regioni mostravano molta più variazione nelle loro regole interne, il che spiegava perché faticassero quando applicati ad altre aree. Una regione, in particolare, ha prodotto un modello che era molto diverso dagli altri e che performava scarsamente quando testato altrove, rafforzando l'idea che fare affidamento su un singolo dataset locale può portare a predizioni fragili. Lo studio ha concluso che, sebbene i modelli locali possano essere utili entro i propri confini, spesso falliscono nel generalizzare a nuovi contesti. L'approccio dell'apprendimento federato, combinato con una semplice correzione del rischio complessivo, offre un modo pratico e sicuro per costruire strumenti di predizione robusti che funzionino in diversi paesi e sistemi sanitari, mantenendo al contempo i dati sensibili dei pazienti al sicuro all'interno delle mura di ciascun ospedale.