Federated Model Optimization for Real-Time Big Data Analytics in Smart Drug Delivery Edge Devices

Nel moderno panorama medico, una rivoluzione silenziosa sta avendo luogo all'interno dei dispositivi che tengono in vita i pazienti. I sistemi intelligenti di somministrazione di farmaci, come le pompe di insulina automatizzate e le pompe per infusione, non sono più semplici erogatori meccanici; essi generano costantemente flussi di dati sulla frequenza cardiaca di un paziente, sulla glicemia e sulla durata della batteria del dispositivo stesso. Tradizionalmente, per dare un senso a questo flusso di informazioni, gli ospedali inviavano tutti questi dati grezzi a un enorme computer centrale nel cloud. Lì, potenti algoritmi analizzavano i numeri per individuare errori pericolosi o prevedere quando un paziente potesse necessitare di una regolazione del dosaggio. Tuttavia, l'invio di dati medici sensibili attraverso Internet crea problemi significativi. Il tempo necessario affinché i dati viaggino può essere critico quando è necessaria una decisione in una frazione di secondo. Inoltre, consuma molta larghezza di banda e, cosa forse più critica, costringe i pazienti a consegnare i propri registri sanitari privati a un server centrale, sollevando serie preoccupazioni sulla privacy.

Per risolvere questo problema, i ricercatori si sono rivolti a un concetto chiamato apprendimento federato (federated learning). Immaginate un'aula dove gli studenti stanno risolvendo un puzzle difficile. Invece di portare tutti i propri pezzi unici a un unico tavolo per costruire un unico grande quadro, ogni studente lavora sulla propria sezione del puzzle alla propria scrivania. Essi condividono solo le regole che hanno scoperto su come i pezzi si incastrino, non i pezzi stessi. In questo modo, il gruppo impara collettivamente senza che nessuno veda mai il lavoro privato di un altro. Questo approccio consente ai dispositivi medici di imparare l'uno dall'altro e di migliorare la propria capacità di rilevare anomalie, il tutto mantenendo i dati reali del paziente al sicuro sul proprio dispositivo locale. Eppure, anche questo metodo affronta degli ostacoli. I dispositivi medici hanno spesso una potenza di batteria limitata e connessioni internet deboli, e i dati che producono possono essere disordinati o inaffidabili, rendendo difficile istruire il sistema in modo efficace senza rallentare tutto.

Un team di ricercatori della Parul University ha proposto un nuovo modo per far funzionare meglio questo sistema, specificamente per i dispositivi intelligenti di somministrazione di farmaci. Hanno sviluppato un framework che chiamano Adaptive Trust-Driven Hierarchical Federated Optimization (Ottimizzazione Federata Gerarchica Adattiva Basata sulla Fiducia). L'idea centrale è quella di insegnare alla rete non solo a imparare, ma anche a essere intelligente su chi ascoltare e quanta informazione richiedere. In un sistema tipico, ogni dispositivo invia i propri aggiornamenti a un coordinatore centrale, indipendentemente dal fatto che il dispositivo stia funzionando perfettamente o che i suoi sensori stiano dando problemi. Questo nuovo approccio cambia tale dinamica ponendo innanzitutto una domanda semplice: possiamo fidarci di questo dispositivo? Prima che un dispositivo sia autorizzato a condividere il suo apprendimento, il sistema controlla tre cose: quanto siano state accurate le sue previsioni, quanto siano stabili i suoi sensori e quanto sia affidabile la sua connessione Internet. Se un dispositivo ha una connessione instabile o un sensore che sta deviando, il sistema gli assegna un "punteggio di fiducia" inferiore.

Una volta che il sistema sa quali dispositivi sono affidabili, applica un secondo livello di intelligenza ai dati che inviano. Invece di trasmettere ogni singolo dettaglio di ciò che il dispositivo ha appreso, il sistema filtra l'informazione. Identifica le lezioni più importanti e scarta il rumore, comprimendo i dati in modo che solo gli aggiornamenti essenziali viaggino attraverso la rete. Questo è come uno studente che riassume un intero capitolo di un libro in una singola frase cruciale prima di consegnarlo all'insegnante, invece di spedire l'intero libro per posta. Questo processo riduce drasticamente la quantità di dati che devono essere inviati, risparmiando la durata della batteria e la larghezza di banda di Internet. Infine, quando il sistema centrale combina le lezioni di tutti i dispositivi, non li tratta tutti allo stesso modo. Assegna più peso ai dispositivi con punteggi di fiducia elevati e dati affidabili, garantendo che il modello globale finale sia costruito sulle informazioni più forti e accurate disponibili.

Per testare se questa idea funzionasse, i ricercatori hanno creato un ambiente simulato che imitava una rete reale di dispositivi medici. Hanno utilizzato un dataset contenente cinquantamila record di parametri vitali dei pazienti e prestazioni dei dispositivi, inclusi frequenza cardiaca, livelli di glucosio nel sangue e tassi di infusione. Hanno suddiviso questi dati in condizioni normali ed eventi anormali, come il malfunzionamento di una pompa o il deterioramento improvviso delle condizioni di un paziente. Il team ha poi testato il loro nuovo sistema contro i metodi standard di apprendimento federato più datati. I risultati sono stati chiari. In queste simulazioni, il nuovo framework ha raggiunto un'accuratezza di classificazione del 97 percento, il che significa che ha identificato correttamente se un evento di somministrazione di farmaci fosse normale o anomalo quasi ogni volta. Si è trattato di un miglioramento significativo rispetto agli altri metodi testati, che oscillavano tra l'89 e il 93 percento. Inoltre, il nuovo sistema è stato molto più efficiente, riducendo drasticamente la quantità di dati che dovevano essere trasmessi, pur mantenendo alte prestazioni.

Lo studio ha anche esaminato come il sistema si sarebbe comportato man mano che la rete diventava più grande e complessa. In uno scenario in cui decine di dispositivi erano connessi con diversi livelli di velocità Internet e durata della batteria, il nuovo framework è rimasto stabile. È riuscito a ignorare i segnali rumorosi e inaffidabili dei dispositivi in difficoltà e si è concentrato sui dati chiari e di alta qualità di quelli che funzionavano bene. Ciò suggerisce che il sistema potrebbe scalare per gestire grandi ospedali o reti diffuse di dispositivi per l'assistenza domiciliare senza interrompersi. I ricercatori hanno scoperto che, dando priorità all'affidabilità e comprimendo i dati, potevano creare un sistema che fosse sia abbastanza veloce per decisioni in tempo reale, sia abbastanza sicuro da proteggere la privacy del paziente.

Sebbene i risultati siano promettenti, è importante notare che queste scoperte derivano da un ambiente simulato. I ricercatori non hanno ancora testato questo sistema su pazienti reali in un contesto ospedaliero dal vivo. Lo studio dimostra che il modello matematico funziona come previsto in condizioni controllate, ma l'implementazione nel mondo reale richiederà ulteriori validazioni. Il team suggerisce che il lavoro futuro potrebbe prevedere l'integrazione di questi metodi con altre tecnologie avanzate, come la blockchain per una sicurezza ancora maggiore o l'intelligenza artificiale spiegabile per aiutare i medici a capire perché il sistema ha preso una specifica decisione. Per ora, il lavoro fornisce un piano convincente su come potrebbe operare la prossima generazione di dispositivi medici: imparando insieme, rispettando la privacy e agendo con velocità e precisione, il tutto senza mai dover inviare i dati privati di un paziente fuori dalla propria casa.