Usare il Federated Learning per prevedere i ricoveri in ospedale

Prevedere quanto tempo un paziente resta in ospedale è importante per gestire le risorse ospedaliere in modo efficace. Sapere quanto durerà aiuta gli ospedali a pianificare meglio e a fornire cure quando sono più necessarie. Tuttavia, i metodi tradizionali spesso affrontano sfide a causa delle regole sulla privacy che limitano la condivisione dei dati tra le istituzioni sanitarie.

In questo contesto, possiamo usare un metodo chiamato apprendimento federato, che consente agli ospedali di collaborare per migliorare le previsioni senza dover condividere informazioni sensibili sui pazienti. In questo modo ogni ospedale può mantenere i propri dati privati pur contribuendo a un modello più ampio per prevedere le durate di permanenza dei pazienti.

#Importanza di Prevedere la Durata del soggiorno in Ospedale

Gestire i tempi di soggiorno dei pazienti in modo efficace è fondamentale per gli ospedali, soprattutto durante i periodi affollati. Quando gli ospedali possono prevedere quanto tempo i pazienti rimarranno, possono allocare meglio le risorse, assicurandosi di avere abbastanza personale e letti disponibili.

La durata del soggiorno (LOS) è il periodo che intercorre dall'ammissione di un paziente fino alla sua uscita. Questo tempo può essere influenzato da molti fattori, compreso lo stato di salute del paziente e la sua situazione abitativa. Proprio per questa complessità, prevedere il LOS non è semplice.

#Sfide con i Metodi Tradizionali

Molti studi hanno cercato di prevedere il LOS usando metodi di machine learning centralizzati, dove tutti i dati sono tenuti in un unico posto. Ad esempio, i ricercatori hanno sviluppato modelli predittivi usando dati su condizioni specifiche, come le malattie cardiache o i soggiorni in terapia intensiva. Tuttavia, questi metodi richiedono grandi quantità di dati, che possono essere difficili da ottenere a causa delle preoccupazioni sulla privacy.

Inoltre, combinare dati da molti ospedali potrebbe trascurare le differenze tra di essi, dato che alcuni possono avere pazienti simili mentre altri no. Qui l'apprendimento federato può aiutare, poiché consente agli ospedali di usare i propri dati per addestrare modelli senza doverli condividere.

#L'Approccio dell'Apprendimento Federato

Nel nostro studio, trattiamo il problema della previsione del LOS come una rete di ospedali, dove ogni ospedale rappresenta un nodo nella rete. Usando questa struttura, ogni ospedale può addestrare il proprio modello basato sui propri dati locali, senza esporre informazioni sensibili.

Ogni ospedale può addestrare il proprio modello utilizzando una tecnica chiamata minimizzazione della variazione totale generalizzata (GTVMin). Abbiamo anche confrontato due modi diversi di addestrare questi modelli: la discesa del gradiente stocastica federata (FedSGD) e la media federata (FedAvg).

#Cos'è la Discesa del Gradiente Stocastica Federata (FedSGD)?

FedSGD è un metodo in cui ogni ospedale addestra indipendentemente il proprio modello e poi condivide gli aggiornamenti con gli ospedali vicini. L'idea è mantenere il modello coerente tra diversi ospedali, pur consentendo a ciascuno di apprendere dai propri dati unici.

#Cos'è la Media Federata (FedAVG)?

FedAVG adotta un approccio leggermente diverso. Nella prima versione, chiamata FedAVGv1, gli ospedali faranno prima degli aggiornamenti ai propri modelli basati sui dati locali e poi mediare questi aggiornamenti in un punto centrale. Questa media centrale viene inviata di nuovo agli ospedali per un ulteriore addestramento.

Nella seconda versione, chiamata FedAVGv2, gli ospedali possono effettuare un miglioramento locale prima di inviare i loro aggiornamenti al centro. Questo consente loro di sfruttare meglio il tempo mentre aspettano la media.

#Dati Utilizzati

Per lo studio, abbiamo utilizzato il Microsoft Predicting Length of Stay Dataset, che include informazioni dettagliate sui pazienti, come età, misurazioni della salute e durata del soggiorno in ospedale. Questo dataset ha circa 100.000 voci.

Per far funzionare il nostro modello in modo efficace, abbiamo diviso i dati di diversi ospedali in set di addestramento, validazione e test. I set di addestramento vengono utilizzati per costruire modelli, mentre i set di validazione aiutano a tarare le impostazioni del modello, e i set di test valutano quanto bene il modello si comporta.

#Preparazione dei Dati

Prima di addestrare i modelli, abbiamo pulito i dati. Alcuni dettagli superflui, come gli ID dei pazienti e le date di ammissione, sono stati rimossi poiché volevamo concentrarci sulle informazioni mediche. Abbiamo anche combinato alcune caratteristiche per semplificare i dati, convertendo indicatori binari di condizioni di salute in un conteggio unico delle condizioni.

Per aiutare i modelli a funzionare meglio, abbiamo normalizzato i dati numerici come i livelli di glucosio e la pressione sanguigna. Questo significa che abbiamo aggiustato questi numeri affinché avessero una scala standard, rendendo più facile per il modello apprendere.

#Scelta del Modello Giusto

Per i nostri modelli, abbiamo scelto modelli lineari locali. Questi modelli sono semplici e facili da interpretare, il che significa che i risultati possono essere spiegati a medici e personale. È importante che le previsioni sanitarie siano chiare, in modo che le decisioni possano essere prese in base ai risultati del modello.

Abbiamo anche usato una misura chiamata Errore Quadratico Medio (MSE) per vedere quanto bene si stavano comportando i nostri modelli. L'MSE guarda a quanto le previsioni differiscono da quello che è realmente successo: valori più bassi significano un miglioramento delle prestazioni.

#Risultati

Dopo aver eseguito i modelli, abbiamo confrontato le loro prestazioni usando il punteggio MSE. Tutti e tre gli algoritmi si sono comportati bene, ottenendo risultati soddisfacenti. Tuttavia, abbiamo scoperto che FedSGD ha superato gli altri due metodi. Con un MSE di 1.377, era circa 0.4 inferiore agli altri algoritmi.

Sia nelle fasi di validazione che di test, FedSGD ha continuato a mostrare risultati migliori, dimostrando la sua efficacia nel prevedere il LOS rispetto a FedAVGv1 e FedAVGv2.

#Conclusione

Questo studio ha utilizzato con successo un approccio di apprendimento federato per prevedere quanto tempo i pazienti avrebbero soggiornato in ospedali. Costruendo un modello basato su dati di pazienti provenienti da vari ospedali senza dover condividere quelle informazioni sensibili, siamo riusciti a mantenere la privacy pur sviluppando un modello predittivo efficace.

I risultati indicano che l'apprendimento federato può essere uno strumento prezioso nell'analisi sanitaria, consentendo agli ospedali di collaborare per creare previsioni migliori. Anche se i risultati sono promettenti, c'è ancora margine di miglioramento.

Futuri studi potrebbero concentrarsi sul perfezionamento delle impostazioni del modello, esplorando diversi metodi per confrontare i dati e cercando di includere più ospedali nell'analisi. Migliorando ulteriormente l'approccio, possiamo puntare a previsioni ancora più accurate che possano aiutare a migliorare la gestione delle risorse ospedaliere e la cura dei pazienti.