Le scelte di protocollo contano più dell’algoritmo di aggregazione: apprendimento federato per prevedere la mortalità intraospedaliera in federazioni di reparti e di più ospedali

Abstract degli autori

L’apprendimento federato consente agli ospedali di addestrare un modello condiviso per prevedere la mortalità senza mettere in comune le cartelle cliniche, ma i confronti pubblicati tra strategie di aggregazione raramente controllano il protocollo di valutazione. Questo studio ha confrontato sette strategie (FedAvg, FedProx, SCAFFOLD, FedAdagrad, FedAdam, FedYogi e FedCluster) su due federazioni costruite con un’unica pipeline: 12 reparti di un ospedale in MIMIC-IV e 49 ospedali in eICU-CRD. Ogni strategia è stata messa a punto e selezionata sui dati di validazione secondo la stessa regola, e ogni confronto è stato ripetuto con 10 seed, usando il test di Friedman e test con correzione di Holm. SCAFFOLD si è classificato primo in entrambe le federazioni (AUC-ROC pari a 0,886 e 0,819) e in 17 delle 18 varianti, ma il suo vantaggio sul secondo classificato non ha mai superato 0,008. Un esperimento di controllo che impiegava lo stesso ottimizzatore locale ha attribuito gran parte del vantaggio di SCAFFOLD su FedAvg alla correzione della deriva. Nella federazione di più ospedali, l’addestramento federato ha eguagliato quello centralizzato. Nella federazione di reparti, tre scelte di protocollo hanno modificato la capacità discriminante più della scelta della strategia: i predittori codificati alla dimissione (+0,038 nell’AUC-ROC), SMOTE a livello di client (fino a -0,074) e la valutazione dell’ultimo round anziché di quello migliore secondo la validazione (fino a -0,084). La calibrazione di Platt sui dati di validazione ha corretto le stime del rischio distorte dalle correzioni dello sbilanciamento senza ridurre la capacità discriminante. Gli studi dovrebbero quindi fissare il protocollo prima di stilare una classifica degli algoritmi.