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

Este estudo demonstra que modelos de aprendizado federado, treinados em dados multicêntricos do consórcio OneFlorida+, oferecem desempenho preditivo robusto e generalizável para complicações pós-operatórias e mortalidade, preservando a privacidade dos dados em comparação com abordagens centralizadas ou locais.

O essencial

Imagine que você tem um grupo de cinco amigos, cada um morando em uma cidade diferente. Todos eles são excelentes cozinheiros, mas cada um tem um estilo único e usa ingredientes locais específicos. O problema é que, se um deles quiser aprender a cozinhar o prato perfeito para todos, ele não pode simplesmente pegar o caderno de receitas dos outros e levá-lo para sua casa, porque os ingredientes são confidenciais e não podem sair da cozinha de cada um.

É exatamente esse o desafio que os médicos enfrentam hoje quando tentam criar inteligência artificial (IA) para prever complicações após cirurgias.

Aqui está uma explicação simples do que os pesquisadores da Universidade da Flórida fizeram neste estudo, usando analogias do dia a dia:

1. O Problema: O "Segredo da Receita"

Cada hospital tem seus próprios registros de pacientes (quem foi operado, o que aconteceu, quem sobreviveu). Para criar um "supermédico" de IA que funcione bem em qualquer lugar, seria ideal misturar todos esses dados em uma única grande base de dados.

Mas, por questões de privacidade, os hospitais não podem compartilhar os nomes e históricos dos pacientes. É como se cada hospital tivesse um cofre trancado com seus dados. Se eles abrissem o cofre para enviar os dados para um centro, a privacidade seria quebrada.

2. A Solução: A "Festa de Receitas" (Aprendizado Federado)

Em vez de levar os ingredientes (os dados dos pacientes) para um lugar central, os pesquisadores usaram uma técnica chamada Aprendizado Federado.

Imagine que os cinco hospitais são os cinco amigos cozinheiros. Em vez de trocar os ingredientes, eles fazem o seguinte:

1. Cada um cria um "chef de cozinha" (um modelo de IA) na sua própria cozinha, usando apenas os dados locais.
2. Em vez de enviar os dados, eles enviam apenas as lições aprendidas (as atualizações do modelo) para um "chef mestre" central.
3. O chef mestre combina todas essas lições para criar um "super-chef" mais inteligente.
4. Esse "super-chef" é enviado de volta para cada cozinha, onde é ajustado localmente.

Nenhum dado de paciente saiu do hospital de origem. A privacidade foi mantida, mas a inteligência coletiva foi criada.

3. O Experimento: Quem Cozinha Melhor?

Os pesquisadores testaram três abordagens para prever complicações graves após cirurgias (como precisar de UTI, usar ventilador, ter problemas nos rins ou morrer no hospital):

• O Cozinheiro Local (Aprendizado Local): Um modelo treinado apenas com os dados de um hospital.
  • Resultado: Funciona muito bem na própria cozinha, mas quando tenta cozinhar para outra cidade, a comida fica ruim. Ele não se adapta bem a pacientes diferentes.
• O Cozinheiro Central (Aprendizado Central): Todos os dados são misturados em um único lugar (o que quebraria a privacidade, mas é bom para comparação).
  • Resultado: É muito bom, mas impossível de fazer na vida real sem violar leis de privacidade.
• O Cozinheiro Federado (Aprendizado Federado): O método que eles usaram, onde os modelos aprendem juntos sem compartilhar dados.
  • Resultado: O "super-chef" federado ficou tão bom quanto o central e muito melhor que o local. Ele aprendeu a cozinhar para todos os tipos de paladares (pacientes de diferentes hospitais) sem nunca sair da cozinha original.

4. O Segredo do Sucesso: O Algoritmo "SCAFFOLD"

Dentro do método federado, eles testaram várias formas de combinar as lições. Um deles, chamado SCAFFOLD, foi o vencedor.

Pense no SCAFFOLD como um maestro de orquestra muito esperto. Em uma orquestra onde cada músico toca um pouco diferente (dados diferentes em cada hospital), um maestro comum pode ficar confuso. O SCAFFOLD é especial porque sabe como harmonizar essas diferenças, garantindo que o modelo final seja estável e preciso, mesmo quando os dados são muito variados.

5. O Toque Final: O "Personal Trainer" (Análise de Sensibilidade)

No final, eles fizeram um teste extra: e se, além das lições gerais, cada hospital pudesse adicionar um detalhe específico sobre seus próprios cirurgiões?
Eles "ajustaram" (fine-tuned) o modelo com a identidade do cirurgião. Foi como dar ao "super-chef" uma dica extra sobre o tempero local. Isso melhorou ainda mais a precisão, mostrando que o modelo pode ser personalizado para cada lugar sem perder a inteligência global.

Conclusão: Por que isso importa?

Este estudo é como uma revolução na medicina digital. Ele prova que podemos criar ferramentas de IA poderosas que salvam vidas, prevendo quem corre risco de complicações antes mesmo da cirurgia, sem nunca precisar ver os dados privados dos pacientes.

• Para o paciente: Significa cirurgias mais seguras e cuidados personalizados.
• Para o hospital: Significa economizar recursos e salvar vidas.
• Para a privacidade: Significa que a tecnologia pode avançar sem violar a confiança entre médico e paciente.

Em resumo: Eles criaram uma "inteligência coletiva" que é forte, segura e funciona em qualquer lugar, provando que não precisamos abrir nossos cofres de dados para aprendermos juntos.

Resumo técnico

1. Problema e Motivação

A cirurgia majoritária nos EUA resulta em milhões de procedimentos anualmente, com taxas de complicações pós-operatórias que variam de 20% a 75% em casos de alto risco. A previsão precisa desses riscos é crucial para melhorar os desfechos dos pacientes e otimizar recursos.

• Limitações Atuais: Modelos de aprendizado de máquina existentes são frequentemente treinados em dados de um único hospital, o que limita sua generalização para diferentes populações e contextos clínicos.
• Desafio de Privacidade: A agregação de dados de múltiplos centros (aprendizado centralizado) poderia criar modelos mais robustos, mas esbarra em barreiras legais e éticas relacionadas à privacidade e segurança dos dados dos pacientes (ex: HIPAA), impedindo o compartilhamento de registros de saúde eletrônicos (EHR) brutos.
• Objetivo: Desenvolver e validar modelos de Aprendizado Federado (Federated Learning - FL) que permitam treinar algoritmos preditivos utilizando dados distribuídos de múltiplas instituições sem compartilhar os dados brutos, garantindo privacidade e melhor generalização.

2. Metodologia

Desenho do Estudo e Dados

• Cohorte: Estudo retrospectivo, longitudinal e multicêntrico envolvendo 358.644 pacientes adultos submetidos a 494.163 procedimentos cirúrgicos maiores entre 2012 e 2023.
• Fonte de Dados: Rede de pesquisa clínica OneFlorida+ Data Trust, composta por 14 sistemas de saúde. O estudo utilizou dados de 5 parceiros (instituições).
• Divisão dos Dados:
  • Desenvolvimento e Validação Interna: Parceiros 3, 4 e 6 (divididos cronologicamente em treino 60%, validação 10% e teste 30%).
  • Validação Externa: Parceiros 1 e 2.
• Exclusões: Pacientes <18 anos, admissões ambulatoriais, pacientes sem cirurgia majoritária e com doença renal em estágio terminal.

Definição de Variáveis

• Resultados (Targets): Admissão à UTI pós-operatória, ventilação mecânica (VM), lesão renal aguda (LRA/AKI) e mortalidade intrahospitalar.
• Preditores: 99 características pré-operatórias rotineiras (demografia, fatores socioeconômicos, comorbidades, medicamentos históricos, laboratórios) e informações de admissão.
• Identificação Cirúrgica: Uso de códigos CPT e unidades de valor relativo (RVU) para definir cirurgias maiores.

Arquitetura do Modelo e Algoritmos

O estudo comparou três paradigmas de aprendizado:

1. Aprendizado Local: Modelos treinados apenas com dados de um único centro.
2. Aprendizado Central: Modelos treinados com dados agregados de todos os centros (pooled data).
3. Aprendizado Federado: Treinamento local em cada nó, com agregação de pesos no servidor central sem troca de dados brutos.

Algoritmos Federados Testados:

• FedAvg: Média simples dos pesos dos modelos locais.
• FedProx: Adiciona um termo de penalidade para lidar com heterogeneidade nos dados locais.
• SCAFFOLD: Controla a deriva de modelos (drift) em cenários de dados não independentes e identicamente distribuídos (Non-IID), que são comuns em dados multicêntricos.
• Federated XGBoost: Implementação de boosting baseada em árvores.

Arquitetura da Rede Neural: Modelo de aprendizado profundo (Deep Learning) com camadas totalmente conectadas para dados contínuos/binários e camadas de embedding para dados de alta cardinalidade, com quatro ramos de saída para os quatro resultados preditos.

Análise Estatística

• Métricas de Desempenho: Área sob a curva Característica Operatória do Receptor (AUROC) e Área sob a Curva de Precisão-Recall (AUPRC).
• Análise de Sensibilidade: Ajuste fino (fine-tuning) do modelo federado em cada local adicionando uma característica personalizada: a identidade do cirurgião.

3. Resultados Principais

Desempenho Comparativo

• SCAFFOLD vs. Outros FL: O algoritmo SCAFFOLD demonstrou consistentemente o melhor desempenho entre os algoritmos federados, superando ou igualando o FedAvg, FedProx e o Federated XGBoost na maioria dos cenários.
• FL vs. Aprendizado Central: O modelo SCAFFOLD (Federado) alcançou desempenho comparável ou superior ao modelo centralizado (que usa todos os dados agregados) em termos de AUROC e AUPRC em todos os resultados e locais. Isso confirma que a privacidade não precisa ser sacrificada para obter alta precisão.
• FL vs. Aprendizado Local:
  • Modelos locais tiveram bom desempenho em seus próprios dados de teste, mas falharam em generalizar para outros centros (desempenho pobre em validação externa).
  • O modelo federado (SCAFFOLD) demonstrou alta generalização, superando ou igualando o melhor modelo local em cada site, mesmo em validação externa.

Métricas Específicas (Exemplos)

• AUROC: O SCAFFOLD variou de 0,73 (para AKI no conjunto externo) a 0,97 (para mortalidade intrahospitalar no conjunto externo).
• AUPRC: Houve variabilidade significativa devido ao desequilíbrio de classes (ex: mortalidade é rara), mas o SCAFFOLD manteve-se competitivo, especialmente em cenários de dados não-IID.
• Análise de Sensibilidade (Cirurgião): A adição da identidade do cirurgião como característica personalizada (fine-tuning) resultou em melhorias marginais, mas consistentes, nas métricas de desempenho (AUROC e AUPRC) e especificidade em todos os parceiros.

4. Contribuições Chave

1. Validação Multicêntrica em Grande Escala: É um dos primeiros estudos a validar modelos de FL para complicações cirúrgicas usando uma rede de saúde massiva (OneFlorida+) com 5 parceiros distintos, superando limitações de estudos anteriores focados em poucos hospitais do mesmo sistema.
2. Superioridade do SCAFFOLD: Demonstra empiricamente que o algoritmo SCAFFOLD é particularmente eficaz para lidar com a heterogeneidade (Non-IID) dos dados de saúde reais entre diferentes hospitais.
3. Privacidade sem Perda de Precisão: Prova que é possível construir modelos de IA clinicamente úteis e generalizáveis sem violar a privacidade dos dados, eliminando a necessidade de centralização de dados sensíveis.
4. Viabilidade Clínica: O modelo utiliza apenas dados pré-operatórios, permitindo a avaliação de risco precoce e a intervenção antes da cirurgia.

5. Significado e Conclusão

O estudo conclui que o Aprendizado Federado é uma solução viável e robusta para superar as barreiras de privacidade e generalização na inteligência artificial aplicada à saúde.

• Impacto Clínico: Modelos preditivos precisos e generalizáveis podem permitir a identificação precoce de pacientes de alto risco, facilitando intervenções personalizadas (ex: otimização de fluidos, controle de glicemia) e melhor alocação de recursos (leitos de UTI).
• Futuro: Embora o estudo tenha limitações (falta de detalhes granulares sobre anestesia e tempos cirúrgicos exatos, e simulação de desafios técnicos de rede), ele estabelece um marco para a implementação de sistemas de suporte à decisão clínica baseados em FL em diversos sistemas de saúde. A combinação de modelos federados com características locais (como a identidade do cirurgião) oferece um caminho promissor para personalização e adaptação contínua.