换一批基于联邦学习的老年患者术后谵妄预测模型的建立
Establishment of federated learning-based prediction models for postoperative delirium in elderly patients
摘要目的 采用联邦学习(FL)方法构建老年患者术后谵妄(POD)的预测模型.方法 收集2020年4月至2022年4月国内3家医院的非心脏、非神经外科手术老年患者围术期数据,将其按照7∶3随机分为训练集和验证集,构建基于传统Logistic回归的集中式学习模型和基于FL的预测模型(FedAvg、FedLSD、Fedprox).采用受试者工作特征曲线下面积(AUC)、敏感性、特异性、准确率、校准曲线、决策曲线分析(DCA)评估模型的预测效果.采用Shapley加法解释(SHAP)解释模型特征的重要性.结果 集中式学习模型AUC在训练集中为0.827(95％CI 0.811～0.842),在验证集中为0.726(95％CI 0.687～0.764).3 种基于 FL 的预测模型(FedAvg、FedLSD 和 FedProx)的 AUC 分别为0.710(95％CI 0.671～0.749)、0.708(95％CI 0.669～0.747)、0.710(95％CI 0.671～0.749).校准曲线和DCA显示,基于FL的预测模型性能接近集中式学习模型.结论 FL算法能整合多机构数据,基于FL的预测模型表现与集中式学习模型相似,可有效预测老年患者POD的发生.
更多相关知识
关键词
联邦学习机器学习数据孤岛数据隐私术后谵妄预测模型老年Federated learningMachine learningData silosData privacyPostoperative deliri-umPrediction modelAged
栏目名称
DOI
10.12089/jca.2025.07.001
发布时间
2025-07-31（万方平台首次上网日期，不代表论文的发表时间）
基金项目
北京市自然科学基金-海淀原始创新联合基金资助项目（L222100）
- 浏览23
- 被引0
- 下载47
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
