Federated Learning with Multi-Partner OneFlorida+ Consortium Data for Predicting Major Postoperative Complications

Deze studie toont aan dat federatief leren, toegepast op gegevens van het OneFlorida+ Consortium, robuuste en privacy-bewuste modellen voor het voorspellen van postoperatieve complicaties en sterfte mogelijk maakt die vergelijkbare of betere prestaties leveren dan lokale of gecentraliseerde modellen.

De kern

🏥 De Grote Operatie: Hoe AI Veilig Samenwerkt Zonder Geheime Gegevens Te Delen

Stel je voor dat je een supersterke arts wilt trainen die elke operatie in het land kan voorspellen. Deze arts moet weten welke patiënten na een operatie in de problemen kunnen komen (zoals een infectie, nierfalen of zelfs overlijden).

Het probleem:
Elk ziekenhuis heeft zijn eigen "boek" met patiëntgegevens. Maar in Nederland (en de VS) mag je die boeken niet zomaar aan elkaar geven. Dat is als het delen van je persoonlijke dagboeken met een vreemde; het is een schending van je privacy. Als elk ziekenhuis zijn eigen arts traint met alleen zijn eigen boek, wordt die arts niet heel slim. Hij kent alleen de patiënten uit zijn eigen buurt en faalt als hij naar een ander ziekenhuis gaat.

De oplossing: Federated Learning (De "Geheime Boekclub")
De onderzoekers uit dit artikel hebben een slimme oplossing bedacht, genaamd Federated Learning.

Stel je voor dat er een geheime boekclub is met vijf ziekenhuizen.

1. De Regels: Niemand mag zijn eigen boek (de patiëntgegevens) uit het huis halen. Dat mag niet vanwege de privacy.
2. De Opdracht: Iedereen leest zijn eigen boek en schrijft een samenvatting op van wat hij heeft geleerd (bijvoorbeeld: "Patiënten met diabetes hebben vaak last van hun nieren").
3. De Uitwisseling: In plaats van de boeken, sturen ze alleen deze samenvattingen (de "leringen") naar een centrale computer.
4. De Samenvoeging: De centrale computer pakt alle samenvattingen, maakt er één grote, super-slimme "Master-Boek" van, en stuurt dit terug naar de ziekenhuizen.
5. Het Resultaat: Elke arts is nu net zo slim als een arts die alle boeken van alle ziekenhuizen heeft gelezen, maar niemand heeft ooit de echte patiëntgegevens van een ander ziekenhuis gezien.

Wat hebben ze precies gedaan?

De onderzoekers van de Universiteit van Florida (OneFlorida+ Consortium) hebben dit systeem getest met data van 358.000 volwassen patiënten uit 5 verschillende ziekenhuizen. Ze wilden weten of hun "Master-Boek" (het federatieve model) beter zou zijn dan de lokale boeken.

Ze voorspelden vier dingen:

1. Moet de patiënt na de operatie naar de ICU?
2. Heeft de patiënt een beademing nodig?
3. Krijgt de patiënt nierfalen (AKI)?
4. Overleeft de patiënt de opname?

De Vergelijking: Wie is de beste?

Ze hebben drie soorten "artsen" getest:

• De Lokale Arts: Traint alleen met zijn eigen ziekenhuisdata. (Goed voor zijn eigen buurt, maar slecht voor anderen).
• De Centrale Arts: Krijgt alle data van alle ziekenhuizen in één grote bak. (Zeer slim, maar een privacy-ruisje: hij heeft alle privé-boeken gezien).
• De Federatieve Arts (De winnaar): Traint via de "geheime boekclub".

De resultaten:
De Federatieve Arts deed het bijna net zo goed als de Centrale Arts (die alle data had), maar deed het veel beter dan de Lokale Arts.

• Het was een echte "schat" voor de privacy: de data bleef veilig in de ziekenhuizen.
• Het was een "chameleont": het werkte goed in elk ziekenhuis, ongeacht hoe de patiënten eruit zagen (jong, oud, rijk, arm).

Een Extra Slimme Truc: De "Chirurg-Identiteit"

In een extra experiment (de "Sensitiviteitsanalyse") deden ze iets interessants. Ze gaven de Federatieve Arts een extra hint: "Wie is de chirurg die de operatie doet?".

Stel je voor dat de Federatieve Arts zegt: "Ik weet dat patiënten in het algemeen risico lopen." Maar door te kijken naar de specifieke chirurg, zegt hij: "Ah, deze specifieke chirurg werkt heel voorzichtig, dus het risico is iets lager," of "Deze chirurg werkt snel, dus let extra op."

Dit maakte de voorspelling nog iets nauwkeuriger. Het is alsof je een algemene weersvoorspelling krijgt, maar die wordt aangepast voor jouw specifieke straat.

Waarom is dit belangrijk voor jou?

1. Veiligheid: Je hoeft je niet zorgen te maken dat je medische gegevens bij een ander ziekenhuis terechtkomen.
2. Betere Zorg: Omdat de AI getraind is op data van veel verschillende mensen, is hij slimmer en eerlijker. Hij maakt minder fouten bij mensen die hij nog nooit heeft gezien.
3. Vroegtijdige Waarschuwing: Als deze systemen in het echt worden gebruikt, kunnen ze een arts waarschuwen voordat de operatie begint: "Pas op, deze patiënt heeft een groot risico op nierfalen." Dan kan de arts nu al maatregelen nemen (zoals extra vocht geven of medicijnen aanpassen) om dat te voorkomen.

Conclusie in één zin

De onderzoekers hebben bewezen dat je een super-slimme AI kunt bouwen die de geheime medische dossiers van honderdduizenden patiënten "leest" zonder die dossiers ooit daadwerkelijk te zien, waardoor we veiligere operaties en betere zorg krijgen voor iedereen.

Technische samenvatting

Probleemstelling

In de Verenigde Staten worden jaarlijks 40 tot 50 miljoen grote chirurgische ingrepen uitgevoerd, waarbij postoperatieve complicaties in gemiddeld 20% van de gevallen optreden (tot wel 75% bij hoog-risico procedures). Deze complicaties leiden tot verhoogde morbiditeit, langere ziekenhuisopnames, hogere kosten en sterfte. Hoewel kunstmatige intelligentie (AI) en machine learning (ML) veelbelovend zijn voor risicovoorzegging, worden bestaande modellen vaak beperkt tot data van één enkel ziekenhuis. Dit beperkt hun generaliseerbaarheid naar andere klinische settingen.

Een grote uitdaging bij het gebruik van multicenter data voor het trainen van robuustere modellen is de privacywetgeving en de angst voor datalekken. Het centraliseren van patiëntgegevens (central learning) is vaak ethisch en juridisch problematisch. Er is dus behoefte aan een methode die de voordelen van grote, diverse datasets benut zonder dat ruwe patiëntdata de lokale instellingen verlaat.

Methodologie

De studie is een retrospectieve, longitudinale multicenter-cohortstudie die data gebruikte van het OneFlorida+ Data Trust, een netwerk van 14 gezondheidszorgsystemen.

• Data: De dataset omvatte 358.644 volwassen patiënten met 494.163 opnames voor grote chirurgische ingrepen tussen 2012 en 2023, afkomstig van vijf partners (ziekenhuizen).
• Doel: Het voorspellen van vier uitkomsten: opname op de intensive care (ICU), mechanische beademing (MV), acute nierschade (AKI) en sterfte tijdens het ziekenhuisverblijf.
• Kenmerken: Er werden 99 routinematig verzamelde preoperatieve kenmerken gebruikt, inclusief demografie, socio-economische factoren, comorbiditeiten, medicatie en laboratoriumwaarden.
• Leerpardigmata: De auteurs vergelijkingen drie benaderingen:
  1. Lokaal leren: Modellen getraind op data van één enkel centrum.
  2. Centraal leren: Modellen getraind op een gepoolde dataset van alle centra (zonder privacybehoud).
  3. Federated Learning (FL): Modellen getraind lokaal op elk centrum, waarbij alleen modelupdates (gewichten) worden geaggregeerd op een centrale server, zonder dat ruwe data wordt uitgewisseld.
• Federated Learning Algoritmen: Er werden verschillende FL-algoritmen getest voor de deep learning-modellen: FedAvg, FedProx en SCAFFOLD. Daarnaast werd een Federated XGBoost model getest.
  • SCAFFOLD werd specifiek gekozen omdat het problemen met niet-onafhankelijk en niet-identiek verdeelde data (Non-IID) in federale omgevingen aanpakt.
• Validatie: Drie partners (3, 4, 6) werden gebruikt voor ontwikkeling en interne validatie, terwijl twee andere partners (1, 2) dienden als externe validatie. De data werd chronologisch gesplitst (60% training, 10% validatie, 30% test) om dataset-drift te voorkomen.
• Sensitiviteitsanalyse: Er werd een "fine-tuning" uitgevoerd waarbij de federale modellen werden aangepast met een lokaal kenmerk: de identiteit van de chirurg.

Belangrijkste Bijdragen

1. Schaal en Diversiteit: Dit is een van de grootste studies die federated learning toepast op postoperatieve risicovoorzegging, gebruikmakend van een zeer diverse populatie van vijf verschillende gezondheidszorgsystemen.
2. Privacy-bewuste Generalisatie: Het bewijst dat het mogelijk is om modellen te ontwikkelen die generaliseren over verschillende populaties en klinische praktijken zonder dat de onderliggende patiëntdata de lokale beveiliging verlaat.
3. Vergelijking van Algoritmen: De studie biedt een gedetailleerde vergelijking van verschillende federale algoritmen (FedAvg, FedProx, SCAFFOLD, Federated XGBoost) in een complexe klinische setting.
4. Hybride Aanpak: De studie toont aan dat het combineren van federated learning met lokale fine-tuning (bijv. op basis van chirurgen) de prestaties verder kan verbeteren.

Resultaten

• Prestatie van Algoritmen: Van de geteste federale algoritmen presteerde SCAFFOLD het beste. Het leverde consistent vergelijkbare of superieure prestaties op in termen van het oppervlak onder de ROC-curve (AUROC) en het oppervlak onder de precisie-recall-curve (AUPRC) in vergelijking met FedAvg, FedProx en Federated XGBoost.
• Vergelijking met Centraal Leren: De SCAFFOLD-modellen presteerden vergelijkbaar of zelfs beter dan de centraal getrainde modellen, wat aantoont dat federated learning geen significant prestatieverlies met zich meebrengt ten opzichte van het centraliseren van data.
  • Voorbeeld: Voor het voorspellen van mechanische beademing (MV) bereikte SCAFFOLD een AUROC van 0,90 op Partner 3 en 0,96 op Partner 4, vergelijkbaar met de centrale modellen.
• Vergelijking met Lokaal Leren: Lokale modellen presteerden goed op hun eigen data, maar faalden vaak bij externe validatie op andere centra (lage generaliseerbaarheid). Het federale SCAFFOLD-model behaalde echter vergelijkbare of betere prestaties op alle locaties, inclusief de externe validatie, wat aantoont dat het model robuust is voor verschillende populaties.
• Sensitiviteitsanalyse: Het toevoegen van de "identiteit van de chirurg" als lokaal kenmerk tijdens de fine-tuning leidde tot kleine maar consistente verbeteringen in AUROC en AUPRC, wat suggereert dat lokale context (zoals chirurgische vaardigheid) waardevol is voor personalisatie.

Betekenis en Conclusie

De studie concludeert dat federated learning een haalbare en effectieve strategie is voor het ontwikkelen van robuuste, generaliseerbare en privacy-bewuste voorspellende modellen voor postoperatieve complicaties.

• Klinische Impact: Deze modellen kunnen worden geïntegreerd in klinische besluitvormingssystemen om chirurgen en zorgverleners in staat te stellen hoog-risico patiënten vroeg te identificeren. Dit stelt hen in staat om preventieve maatregelen te nemen (zoals optimalisatie van vochtbalans of bloeddruk) en de toewijzing van middelen (zoals ICU-bedden) te optimaliseren.
• Toekomstperspectief: Hoewel de studie succesvol was, zijn er beperkingen, zoals het ontbreken van gedetailleerde chirurgische tijden en anesthesiegegevens, en de simulatie van federale learning zonder alle technische uitdagingen van de echte wereld (zoals netwerklatentie). Toekomstig werk moet zich richten op de implementatie in de praktijk en het opzetten van gestandaardiseerde data-modellen voor chirurgische data.

Kortom, deze studie onderstreept dat samenwerking tussen ziekenhuizen via federated learning de barrières van data-privacy kan doorbreken en leidt tot betere, veiliger en eerlijkere AI-modellen voor de chirurgische zorg.