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

Na era moderna da medicina, os médicos dependem cada vez mais de programas de computador para ajudar a prever a saúde futura de um paciente. Essas ferramentas, conhecidas como modelos de predição clínica, analisam os sintomas atuais e o histórico médico de uma pessoa para estimar a probabilidade de um desfecho específico, como a sobrevivência após um ataque cardíaco. Para que esses programas sejam precisos, eles geralmente precisam ser treinados com vastas quantidades de dados de muitas pessoas diferentes. No entanto, existe uma barreira significativa: os registros médicos contêm informações profundamente privadas. Hospitais e centros de pesquisa frequentemente não podem compartilhar seus dados brutos de pacientes uns com os outros devido a leis de privacidade rigorosas e preocupações éticas. Isso cria um dilema onde os melhores modelos exigem dados que não podem ser movidos, enquanto os dados existentes estão trancados em silos isolados. Para resolver isso, cientistas desenvolveram um método chamado aprendizado federado. Em vez de reunir todos os registros de pacientes em um único banco de dados central, essa abordagem permite que cada hospital mantenha seus dados em seus próprios computadores. Os computadores então conversam entre si, compartilhando apenas as lições matemáticas que aprenderam de seus pacientes locais, sem nunca revelar as identidades ou detalhes específicos dos pacientes.

Uma equipe de pesquisadores partiu para testar se esse método poderia funcionar efetivamente para prever a mortalidade em 30 dias em pacientes que sofrem de infarto agudo do miocárdio, um tipo grave de ataque cardíaco. Eles utilizaram um conjunto de dados massivo e bem conhecido de um grande ensaio internacional chamado GUSTO-I, que incluiu mais de 40.000 pacientes de 16 regiões diferentes ao redor do mundo. O objetivo era ver se um modelo construído pela combinação do conhecimento de todas essas regiões poderia prever a morte tão precisamente quanto um modelo construído ao agrupar todos os dados brutos, e se essa abordagem combinada seria melhor do que depender de modelos treinados em apenas uma única região. Os pesquisadores compararam três maneiras diferentes de construir essas ferramentas de predição. A primeira foi uma abordagem tradicional, na qual todos os dados dos pacientes foram agrupados em um único local central. A segunda envolveu o treinamento de um modelo separado para cada uma das 16 regiões usando apenas os dados daquela região. A terceira foi a abordagem federada, onde as 16 regiões treinaram seus modelos localmente e compartilharam apenas os coeficientes matemáticos resultantes para construir um único modelo global, seguido de um rápido ajuste para garantir que as previsões de risco geral fossem corretamente calibradas.

Os resultados revelaram um padrão claro em relação ao quão bem esses modelos viajavam de um lugar para outro. Quando os pesquisadores testaram os modelos dentro da região específica onde foram criados, eles performaram razoavelmente bem. No entanto, quando pegavam um modelo treinado em uma região e tentavam usá-lo para prever desfechos em uma região diferente, a precisão frequentemente caía significamente. Alguns modelos que funcionavam bem localmente tornavam-se não confiáveis quando aplicados em outros lugares, mostrando uma capacidade pobre de distinguir entre pacientes que sobreviveriam e aqueles que não sobreviveriam. Isso destacou um problema importante: as condições locais, as demografias dos pacientes e as práticas de cuidado variam o suficiente para que um modelo construído para uma área não funcione automaticamente para outra. Em contraste, os modelos que foram construídos usando dados de todas as regiões combinadas — seja através do agrupamento central tradicional ou do novo método federado — permaneceram estáveis e precisos em todas as 16 regiões. Esses modelos globais alcançaram consistentemente um alto nível de precisão, classificando corretamente os pacientes por risco com uma AUC de 0,82, e mantiveram esse desempenho independentemente de qual região estava sendo testada.

O estudo também confirmou que o método de aprendizado federado poderia igualar o desempenho do método tradicional de agrupamento central quase exatamente. O modelo global construído através da abordagem federada, onde nenhum dado de paciente saiu de seu hospital de origem, performou tão bem quanto o modelo construído a partir do conjunto de dados agrupados. Esta foi uma descoberta crucial porque demonstrou que privacidade e predição de alta qualidade não são mutuamente exclusivas. No entanto, os pesquisadores notaram um pequeno obstáculo técnico no processo federado. Quando os coeficientes matemáticos das diferentes regiões eram simplesmente calculados pela média, o modelo resultante tendia a superestimar ligeiramente o risco de morte global. Para corrigir isso, a equipe adicionou uma etapa de recalibração leve ao final. Esta etapa ajustou os números de predição finais usando apenas estatísticas de resumo compartilhadas entre os hospitais, corrigindo efetivamente o viés sem precisar ver nenhum registro individual de paciente. Após esse ajuste, as predições do modelo federado estavam perfeitamente alinhadas com as do modelo centralizado.

Os pesquisadores também examinaram a estrutura interna desses modelos para entender por que eles funcionavam daquela maneira. Eles descobriram que as regras matemáticas aprendidas pelo modelo federado eram muito semelhantes às aprendidas pelo modelo centralizado, sugerindo que o método distribuído capturou com sucesso os mesmos padrões subjacentes de doença e risco. Em contraste, os modelos treinados em regiões únicas mostraram muito mais variação em suas regras internas, o que explicou por que tiveram dificuldades quando aplicados em outras áreas. Uma região, em particular, produziu um modelo que era bastante diferente dos outros e performou mal quando testado em outros lugares, reforçando a ideia de que confiar em um único conjunto de dados local pode levar a predições frágeis. O estudo concluiu que, embora os modelos locais possam ser úteis dentro de suas próprias fronteiras, eles frequentemente falham ao se generalizarem para novos cenários. A abordagem de aprendizado federado, combinada com uma simples correção para o risco geral, oferece uma maneira prática e segura de construir ferramentas de predição robustas que funcionam em diferentes países e sistemas de saúde, tudo isso mantendo os dados sensíveis dos pacientes seguros dentro das paredes de cada hospital.