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

現代の医学において、医師は患者の将来の健康状態を予測するために、コンピュータプログラムに依存する場面が増えています。臨床予測モデルとして知られるこれらのツールは、個人の現在の症状や病歴を分析し、心臓発作後の生存率といった特定の転帰の可能性を推定します。これらのプログラムが正確であるためには、通常、多くの異なる人々から得られた膨大な量のデータを用いて学習させる必要があります。しかし、そこには重大な障壁が存在します。医療記録には、極めてプライベートな情報が含まれているのです。病院や研究センターは、厳格なプライバシー法や倫理的な懸念から、自らの生の患者データを他の機関と共有できないことがよくあります。これは、最高のモデルを作るには移動できないデータが必要である一方で、存在するデータは隔離されたサイロの中に閉じ込められているというジレンマを生み出しています。この問題を解決するために、科学者たちは「フェデレーテッド・ラーニング（連合学習）」と呼ばれる手法を開発しました。これは、すべての患者記録を一箇所の中心的なデータベースに集めるのではなく、各病院が自前のコンピュータ内でデータを保持し続けることを可能にする手法です。そして、各コンピュータは互いに通信を行い、患者の身元や具体的な詳細を一切明かすことなく、地域の患者から学んだ数学的な教訓のみを共有するのです。

ある研究チームは、この手法が、急性心筋梗塞（重篤な心臓発作の一種）を患う患者の30日生存率を予測する上で効果的に機能するかどうかを検証することを目的としました。彼らは、GUSTO-Iと呼ばれる主要な国際的試験による、世界16地域から集められた4万人以上の患者を含む大規模で有名なデータセットを使用しました。その目的は、全地域の知識を組み合わせることで構築されたモデルが、すべての生データを一箇所に集めて構築されたモデルと同等の精度で死亡を予測できるか、また、この組み合わせたアプローチが単一の地域のみに基づいたモデルよりも優れているかどうかを確認することでした。研究者たちは、これら予測ツールを構築するための3つの異なる方法を比較しました。第一の方法は、すべての患者データを一つの中心的な場所に集約する伝統的なアプローチです。第二の方法は、各地域のデータのみを使用して、16の各地域ごとに個別のモデルを訓練する方法です。第三の方法は、16の地域がローカルでモデルを訓練し、結果として得られた数学的な係数のみを共有して単一のグローバルモデルを構築し、その後、全体のリスク予測が正しく較正されるように迅速な調整を行うフェデレーテッド・アプローチです。

結果は、これらのモデルが場所を越えてどのように移動するかに関して、明確なパターンを明らかにしました。モデルが作成された特定の地域内でテストした場合、それらは比較的良好に機能しました。しかし、ある地域で訓練されたモデルを別の地域での予測に使用しようとすると、精度が著しく低下することが頻繁にありました。地域内ではうまく機能していたモデルであっても、他へ適用すると信頼性が低くなり、生存する患者とそうでない患者を区別する能力が乏しくなることが示されました。これは、現地の状況、患者の属性、およびケアの実践が十分に異なっているため、ある地域のために構築されたモデルが自動的に他の地域でも機能するわけではないという主要な問題を浮き彫りにしました。対照的に、すべての地域からのデータを組み合わせて構築されたモデル（伝統的な中央集約型の集約、または新しいフェデレーテッド・メソッドのいずれにおいても）は、すべての16地域において安定し、かつ正確であり続けました。これらのグローバルモデルは、AUC 0.82という高い精度で患者をリスク別に正しくランク付けし、どの地域でテストされたとしても、その性能を維持しました。

また、本研究は、フェデレーテッド・ラーニングの手法が、伝統的な中央集約型の集約手法の性能とほぼ正確に一致することを確認しました。患者データが一度も病院の外に出ることなく構築されたグローバルモデルは、集約されたデータセットから構築されたモデルと同等の性能を示しました。これは、プライバシーの保護と高品質な予測が、互いに相反するものではないことを証明した重要な発見でした。しかし、研究者たちはフェデレーテッド・プロセスにおける小さな技術的な課題についても指摘しています。異なる地域からの数学的係数を単純に平均化した際、結果として得られるモデルは、全体的な死亡リスクをわずかに過大評価する傾向がありました。これを修正するために、チームは最後に軽量な再校正ステップを追加しました。このステップは、病院間で共有された要約統計量のみを使用して最終的な予測数値を調整し、個々の患者記録を見る必要なくバイアスを効果的に修正しました。この調整を行った後、フェデレーテッド・モデルの予測は、中央集約型のモデルと完全に一致しました。

研究者たちはまた、これらのモデルがなぜ機能するのかを理解するために、その内部構造についても調査しました。彼らは、フェデレーテッド・モデルによって学習された数学的な規則が、中央集約型モデルによって学習されたものと非常に類似していることを見出しました。これは、分散型の手法が、疾患とリスクの根底にあるパターンを同様に捉えることに成功したことを示唆しています。対照的に、単一の地域で訓練されたモデルは、その内部規則においてより大きな差異を示しており、それが他への適用時に苦戦した理由を説明していました。ある特定の地域は、他の地域とはかなり異なるモデルを生み出し、他でのテストにおいてパフォーマンスが低かったため、単一のローカルなデータセットに頼ることが脆弱な予測につながるという考えを補強しました。研究の結論として、ローカルなモデルは自国の境界内では有用である可能性があるものの、新しい環境への汎用性に欠けることが多いことが示されました。フェデレーテッド・ラーニングのアプローチは、単純なリスク修正と組み合わせることで、各病院の壁の中に機密性の高い患者データを安全に保持したまま、異なる国やヘルスケアシステムを横断して機能する堅牢な予測ツールを構築するための、実用的かつ安全な方法を提供します。