Zusammenfassung Diese Forschung befasst sich mit der zunehmenden Spannung zwischen der prognostischen Kraft künstlicher Intelligenz und dem Gebot der Datensouveränität im Gesundheitswesen. Durch die Vorschlagung eines datenschutzfreundlichen föderierten Deep-Learning-(FDL-)Rahmens entwickelt diese Studie ein dezentralisiertes Paradigma zur frühen Krankheitsdetektion, das auf IoT-fähige klinische Umgebungen zugeschnitten ist. Das übergeordnete Ziel besteht darin, ein skalierbares System zu entwerfen und zu validieren, das die Schulung hochentwickelter Deep-Learning-Modelle über verteilte Knoten hinweg ermöglicht und somit Sicherheitslücken durch die zentrale Aggregation sensibler Patientendaten vermeidet. Methoden Die methodische Strenge dieser Studie basiert auf einem multidimensionalen Datenansatz mit etablierten Benchmark-Datensätzen—insbesondere den UCI Heart Disease und Pima Indians Diabetes Repositorien—ergänzt durch einen synthetischen zeitlichen Datensatz, der entwickelt wurde, um hochfrequente IoT-Sensordatenströme zu simulieren. Wir implementierten eine hybride Convolutional Neural Network–Long Short-Term Memory (CNN-LSTM) Architektur innerhalb des föderierten Ökosystems, verstärkt mit Differential Privacy (DP) Protokollen, um das Risiko von Modellumkehrangriffen zu neutralisieren. Obwohl die Benchmark-Datensätze primär statisch sind, wurde die CNN-LSTM-Architektur strategisch gewählt, um die Generalisierbarkeit auf reale medizinische IoT-Anwendungen zu gewährleisten, bei denen Daten inhärent sequenziell sind. Eine rigorose Ablationsstudie isolierte den Einfluss der LSTM-Komponente, was eine erhebliche Leistungssteigerung um 6,5 Prozentpunkte bei zeitlichen Sequenzen ohne signifikante Rechenaufwandszunahme bei statischen Daten zeigte. Ergebnisse Die empirische Bewertung bestätigt, dass der vorgeschlagene Rahmen eine hohe prädiktive Treue aufrechterhält und gleichzeitig strenge Datenschutzanforderungen erfüllt. Die Trainings- und Validierungskurven zeigten stabile Konvergenz über mehrere föderierte Kommunikationsrunden hinweg. Die Robustheit wurde durch konsistente Leistung über verschiedene Metriken—darunter Genauigkeit, Präzision, Recall, F1-Score und AUC—für diverse Krankheitsprofile mehrfach belegt. Bemerkenswerterweise wurde die Kommunikationseffizienz durch verfeinerte Aggregationszyklen optimiert. Die Integration datenschutzfreundlicher Mechanismen führte zu einer marginalen Genauigkeitsminderung von nur 1–2 %, was einen nachhaltigen Kompromiss zwischen kryptografischer Sicherheit und diagnostischem Nutzen darstellt. Diskussion Diese Studie liefert überzeugende empirische Evidenz, dass föderiertes Deep Learning die konkurrierenden Anforderungen an Diagnosegenauigkeit, systemische Effizienz und Patientendatenschutz erfolgreich in Einklang bringen kann. Durch die Demonstration der Wirksamkeit des Rahmens sowohl bei zeitlichen als auch statischen Datenmerkmalen tragen die Ergebnisse zu einem neuartigen methodischen Benchmark für den Einsatz sicherer KI in der Präventivmedizin bei. Letztlich bietet diese Arbeit eine skalierbare Blaupause für die nächste Generation dezentraler, datenschutzorientierter Gesundheitsinformatik.
Marrah et al. (Mon,) untersuchten diese Fragestellung.