🤖 machine learning

Federated Deep Learning for Privacy-Preserving Cardiovascular Disease Risk Prediction

Deze studie toont aan dat een federated deep learning-aanpak het voorspellen van het risico op hart- en vaatziekten succesvol verbetert over twee heterogene cohorten (Lifelines en de Rotterdam Study), terwijl de privacy van patiënten wordt gewaarborgd door gezamenlijke modeltraining mogelijk te maken zonder gevoelige gegevens op individueel niveau te delen.

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

Gepubliceerd 2026-07-10

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een superintelligente robot probeert te leren om te voorspellen wie over de komende tien jaar een hartprobleem zou kunnen krijgen. Normaal gesproken zou je, om deze robot te leren, alle medische dossiers van elke patiënt moeten verzamelen in één gigantische, centrale bibliotheek. Maar er is een addertje onder het gras: die dossiers zijn als geheime dagboeken. Wetten (zoals de AVG) zeggen dat je die dagboeken niet zomaar naar een centrale bibliotheek mag mailen, want dat zou de privacy van mensen schenden.

Hoe leer je de robot dan zonder de dagboeken te zien? De auteurs van dit artikel hebben een slimme truc geprobeerd genaamd Federated Learning.

Denk aan een groep studenten die samenwerken aan een groepsopdracht, maar ze mogen hun eigen huis niet verlaten.

Student A woont in een enorme buurt genaamd Lifelines (met 148.230 mensen). Ze hebben veel data, maar die is een beetje wazig omdat de studenten alleen vragenlijsten over hun gezondheid hebben ingevuld. Ze weten of iemand een hartincident heeft gehad, maar ze weten niet 100% zeker de exacte datum.
Student B woont in een kleinere, zeer nauwkeurige buurt genaamd de Rotterdam Study (met 10.155 mensen). Hun data is super scherp omdat deze direct gekoppeld is aan ziekenhuisgegevens. Zij weten de exacte data van hartincidenten.

In plaats van hun dagboeken naar een leraar te sturen, traint elke student zijn eigen mini-robot op zijn lokale data. Vervolgens sturen ze alleen de geleerde lessen (de wiskundige gewichten van de robot) naar een centrale server. De server mengt deze lessen samen om één "Super Robot" te maken en stuurt de nieuwe instructies weer terug. De werkelijke patiëntgegevens verlaten nooit hun huis.

Wat hebben ze ontdekt?
Het artikel suggereert dat deze "groepsopdracht"-aanpak eigenlijk beter werkte dan wanneer elke student alleen had gewerkt.

Toen de robot van de Rotterdam Study alleen trainde, kreeg hij een score van 0,728 (op een schaal van 1,0, waarbij hoger beter is).
Nadat hij deelnam aan het groepsproject, ging zijn score omhoog naar 0,739.
De Lifelines-robot verbeterde ook, van 0,783 naar 0,787.

Het is alsof de grote, wazige buurt (Lifelines) genoeg algemene wijsheid deelde om de kleine, nauwkeurige buurt (Rotterdam) nog scherper te maken, ook al hebben ze elkaars geheime dagboeken nooit gezien.

Wat werkte niet of werd niet bewezen?
Het artikel is voorzichtig in de opmerking dat dit geen wondermiddel is.

Ze hebben niet bewezen dat dit werkt voor elk ziekenhuis of voor elk type ziekte. Ze hebben het alleen getest met deze twee specifieke groepen.
Ze hebben niet gezegd dat het probleem is "opgelost". Sterker nog, ze merkten iets interessants op: de grote, wazige buurt (Lifelines) was zo enorm groot dat de lessen van deze groep de prestaties van de kleine, nauwkeurige robot na verloop van tijd (rond de 12e ronde van de lessen) een klein beetje omlaag trokken. Het artikel suggereert dat we in de toekomst misschien een slimmere manier nodig hebben om de lessen te mengen, zodat de grote groep de kleine, nauwkeurige groep niet overstemt.
Ze hebben de robot nog niet gebruikt om patiënten daadwerkelijk te behandelen. Dit was een test om te zien of de wiskunde werkt.

Hoe zeker zijn ze?
De auteurs zijn er wel vertrouwd over dat de methode een verbetering suggereert. Ze hebben het experiment 10 keer uitgevoerd om er zeker van te zijn dat de resultaten niet op toeval berustten, en de scores gingen consequent omhoog. Omdat ze echter slechts twee specifieke groepen met verschillende groottes en verschillende manieren van gegevensregistratie hebben getest, kunnen ze niet beweren dat dit een perfecte oplossing voor de hele wereld is. Ze betogen dat hoewel de "wazige" data hielp, de "nauwkeurige" data nog steeds de hoofdrol speelde bij de uiteindelijke evaluatie.

Kortom, het artikel laat zien dat je een betere voorspeller voor hartrisico kunt bouwen door verschillende groepen samen te laten werken aan een robot zonder ooit hun privégeheimen te delen, maar we moeten nog steeds uitzoeken wat de beste manier is om de lessen te balanceren wanneer één groep veel groter is dan de andere.

Technische Samenvatting: Federated Deep Learning voor Privacy-Preserving Voorspelling van Cardiovasculaire Ziekterisico's

Probleemstelling
Modellen voor het voorspellen van het risico op cardiovasculaire ziekten (CVZ) vertrouwen traditioneel op data die afkomstig zijn uit datasets die door één instelling zijn verzameld of centraal zijn samengevoegd. Het uitbreiden van deze modellen naar meerdere instellingen wordt echter belemmerd door privacyregelgeving (bijv. AVG/GDPR) die het delen van individuele patiëntgegevens beperkt. Hoewel Federated Learning (FL) een oplossing biedt door collaboratieve modeltraining mogelijk te maken zonder dat er dataoverdracht plaatsvindt, kampt de toepassing ervan in de gezondheidszorg met uitdagingen door de heterogeniteit tussen datasets. Deze verschillen omvatten variaties in cohortgrootte, populatiekenmerken, definitie van uitkomsten (bijv. zelfgerapporteerd versus klinisch geverifieerd) en de volledigheid van de follow-up. Eerdere studies hebben zich gericht op het valideren van FL-infrastructuur met behulp van pseudo-splits van enkelvoudige cohorten, waardoor een gat is ontstaan in het begrip van de voorspellende voordelen van echte multi-site FL over werkelijk heterogene populaties.

Methodologie
De studie implementeert een horizontaal federated learning-framework om een Deep Survival Neural Network (DeepSurv) te trainen voor CVZ-risicovoorspelling over twee verschillende populatiegebaseerde cohorten: Lifelines (N=148.230) en de Rotterdam Study (N=10.155).

Data Harmonisatie: Om consistente inputs over de locaties heen te garanderen, werd een driefasen-pipeline gebruikt om ruwe cohortdata om te zetten naar een HL7 FHIR-conforme format. Dit omvatte het transformeren van CSV-data naar een patiëntgecentreerd Common Data Format (CDF), het toepassen van locatie-specifieke mappingregels om FHIR-resources te genereren, en het platmaken hiervan naar tabulaire structuren voor het leeralgoritme. Er werd geen ruwe data tussen de locaties uitgewisseld.
Predictoren en Uitkomsten: Het model maakte gebruik van 12 predictoren (bijv. leeftijd, geslacht, bloeddruk, lipiden, rookstatus, diabetes, hypertensie) die zijn geselecteerd op basis van gevestigde CVZ-risicotools. De uitkomst was een samengestelde CVZ-endpoint (beroerte, myocardinfarct of hartfalen) over een follow-up van 10 jaar. Opvallend genoeg waren de uitkomsten van Lifelines zelfgerapporteerd met interval-gebaseerde timing van events, terwijl de uitkomsten van de Rotterdam Study digitaal gekoppeld waren aan klinische dossiers met exacte datums van events.
Federated Setup: Het systeem maakte gebruik van het Vantage6 platform met een client-server architectuur. Twee client-nodes (Lifelines en Rotterdam Study) bevatten lokaal, FHIR-geharmoniseerde datasets. Een centrale aggregator-node voerde Federated Averaging (FedAvg) uit.
- Modelarchitectuur: DeepSurv, een feed-forward neuraal netwerk met een inputlaag van 12 neuronen, twee verborgen lagen van 16 neuronen en een lineaire output. Het verving de lineaire predictor van het Cox proportional hazards model door een neuraal netwerk om niet-lineaire associaties te vangen.
- Trainingsprotocol: Lokale modellen werden getraind voor 100 epochs per ronde met de Adam-optimizer. Het proces verliep gedurende 20 aggregatie-iteraties. Modelgewichten werden geaggregeerd op basis van het aantal trainingsmonsters bij elke node ( $n_k$ ).
- Evaluatie: Prestaties werden beoordeeld met behulp van de C-statistiek (concordantie statistiek) over 10 onafhankelijke runs met gestratificeerde resampling. Betrouwbaarheidsintervallen werden berekend met een gecorrigeerde resampled t-test.

Belangrijkste Resultaten
De studie vergeleken de prestaties van lokale modellen (onafhankelijk getraind op elk cohort zonder federatie) met het federated model (getraind via FedAvg).

Rotterdam Study: De C-statistiek verbeterde van 0,728 (95% BI: 0,717–0,739) in het lokale model naar 0,739 (95% BI: 0,728–0,749) in het federated model. Het leerpad vertoonde een snelle initiële stijging, piekend rond iteratie 12, gevolgd door een lichte daling, maar bleef boven de lokale baseline.
Lifelines: De C-statistiek verbeterde van 0,783 (95% BI: 0,775–0,791) naar 0,787 (95% BI: 0,780–0,792). De verbetering was geleidelijker en bleef constant over alle 20 iteraties zonder de daling die in de Rotterdam Study werd waargenomen.
Omgaan met Heterogeniteit: Ondanks de significante verschillen in cohortgrootte (Lifelines is ~14x groter), precisie van uitkomsten (zelfgerapporteerd versus klinisch) en populatiedemografie, slaagde de federated aanpak erin de discriminatie in beide cohorten te verbeteren. De grotere verbetering in de kleinere Rotterdam Study suggereert dat deze aanzienlijk profiteerde van de informatie die werd verstrekt door het grotere Lifelines-cohort.

Betekenis en Claims
Het artikel claimt dat federated deep learning effectief de voorspelling van het CVZ-risico kan verbeteren over heterogene cohorten, terwijl de privacy van individuele gegevens strikt wordt gewaarborgd. Belangrijke bijdragen zijn onder meer:

Real-World Validatie: Voorbij gaan aan infrastructuur proofs-of-concept met pseudo-splits door de haalbaarheid van FL te demonstreren over twee onafhankelijke, real-world cohorten met uiteenlopende kenmerken en definitie van uitkomsten.
Waarde van Imperfecte Data: De studie suggereert dat grote cohorten met minder precieze, zelfgerapporteerde uitkomsten (Lifelines) nog steeds waardevolle informatie kunnen bijdragen om de risicovoorspelling in kleinere cohorten met hoog-precieze klinische data (Rotterdam Study) te verbeteren wanneer deze in een federated setting worden gebruikt.
Privacy Compliance: Het framework functioneerde succesvol binnen bestaande institutionele privacyovereenkomsten (AVG-compliant), waarbij alleen geaggregeerde modelgewichten werden gedeeld en er geen individuele data de lokale omgevingen verliet.
Convergentie Dynamiek: De auteurs merken op dat het convergentiegedrag in real-world heterogene settings verschilt van pseudo-split scenario's, waarbij het grotere cohort een dominante invloed uitoefent op het geaggregeerde model, wat potentieel het prestatiepad van kleinere cohorten in latere iteraties beïnvloedt.

De auteurs concluderen dat hoewel er beperkingen bestaan (zoals de twee-node setup en de behandeling van concurrerende risico's), de bevindingen het potentieel ondersteunen voor grootschalige, multi-institutionele collaboratieve CVZ-risicovoorspelling zonder de privacy van individuele gegevens in gevaar te brengen.

Technische Samenvatting: Federated Deep Learning voor Privacy-Preserving Voorspelling van Cardiovasculaire Ziekterisico's

Meer zoals dit