Este artigo é um Preprint
Preprints são relatos preliminares de pesquisa que não foram certificados pela revisão por pares. Eles não devem ser considerados para orientar a prática clínica ou comportamentos relacionados à saúde e não devem ser publicados na mídia como informação estabelecida.
Preprints publicados online permitem que os autores recebam feedback rápido, e toda a comunidade científica pode avaliar o trabalho independentemente e responder adequadamente. Estes comentários são publicados juntamente com os preprints para qualquer pessoa ler e servir como uma avaliação pós-publicação.
Development of a federated learning approach to predict acute kidney injury in adult hospitalized patients with COVID-19 in New York City
Preprint
em En
| PREPRINT-MEDRXIV
| ID: ppmedrxiv-21261105
ABSTRACT
Federated learning is a technique for training predictive models without sharing patient-level data, thus maintaining data security while allowing inter-institutional collaboration. We used federated learning to predict acute kidney injury within three and seven days of admission, using demographics, comorbidities, vital signs, and laboratory values, in 4029 adults hospitalized with COVID-19 at five sociodemographically diverse New York City hospitals, between March-October 2020. Prediction performance of federated models was generally higher than single-hospital models and was comparable to pooled-data models. In the first use-case in kidney disease, federated learning improved prediction of a common complication of COVID-19, while preserving data privacy.
cc_by_nc_nd
Texto completo:
1
Coleções:
09-preprints
Base de dados:
PREPRINT-MEDRXIV
Tipo de estudo:
Prognostic_studies
Idioma:
En
Ano de publicação:
2021
Tipo de documento:
Preprint