Die COVID-19-Pandemie hat die Schwächen im Management von Überwachung und Testung deutlich aufgezeigt. Zu den signifikanten Herausforderungen bei physischen Tests, d.h. PCR- und Antigentests, gehören die hohen Kosten, der ressourcenintensive Charakter, die Durchlaufzeit sowie die Sensitivität. Obwohl die Literatur das Potenzial von maschinenlern-basierten Methoden für die digitale Diagnose von COVID-19 hervorgehoben hat, hängt die Entwicklung leistungsstarker Modelle entscheidend von umfangreichen Datensätzen ab, die die Menge in einer einzelnen Gesundheitseinrichtung übersteigen. Föderiertes maschinelles Lernen bietet eine Lösung für dieses Dilemma. Ziel dieser Forschung ist es, die potenziellen Auswirkungen der digitalen COVID-19-Diagnose auf der Grundlage von föderiertem Lernen auf den Verlauf einer Pandemie zu bewerten. Dazu entwerfen wir einen multidimensionalen Evaluationsrahmen, bestehend aus einer simulativen Studie, die reale Laborparameter aus mehreren Krankenhäusern nutzt, und einem neu entwickelten Leistungsindikator, genannt Testbewertung für Pandemien. Wir stellen fest, dass föderiertes Lernen den Entscheidungsprozess der Diagnostik von COVID-19 zu Beginn einer Pandemie erheblich unterstützen kann, während es knappe Ressourcen spart. Allerdings ist eine Aufwärmphase erforderlich, bis eine konstante Leistung erreicht wird, die mit der von physischen Tests vergleichbar ist. Darüber hinaus weisen Laborparameter eine hohe Vorhersagekraft für die Diagnose auf und sind aus Gründen des Patientenschutzes gut geeignet.
Kempter et al. (Sun,) haben diese Frage untersucht.