Key points are not available for this paper at this time.
Contexte : L'apprentissage fédéré (FL) promet de préserver la confidentialité des données dans les collaborations en santé. Bien que le terme « FL » ait été initialement inventé par la communauté d'ingénierie, le domaine statistique a également développé des algorithmes préservant la vie privée, bien que ceux-ci soient moins reconnus. Notre objectif était de combler cette lacune avec la première comparaison complète des cadres de FL provenant des deux domaines. Méthodes : Nous avons évalué 7 cadres de FL, englobant à la fois des algorithmes de FL basés sur l'ingénierie et sur des statistiques, et les avons comparés à des modélisations locales et centralisées de régression logistique et d'opérateur de rétrécissement et de sélection des moindres carrés (Lasso). Notre évaluation a utilisé à la fois des données simulées et des données réelles d'urgence, en se concentrant sur la comparaison des coefficients estimés du modèle et de la performance des prédictions du modèle. Résultats : Les résultats révèlent que les algorithmes de FL statistiques produisent des estimations de coefficients de modèle beaucoup moins biaisées. En revanche, les méthodes basées sur l'ingénierie peuvent donner des modèles avec une performance de prédiction légèrement meilleure, surclassant parfois à la fois les modèles FL centralisés et statistiques. Conclusion : Cette étude souligne les forces et faiblesses relatives des deux types de méthodes, offrant des recommandations pour leur sélection en fonction des caractéristiques distinctes de l'étude. De plus, nous soulignons le besoin critique de sensibiliser et d'intégrer ces méthodes dans les futures applications de FL dans le domaine de la santé.
Li et al. (Mon,) ont étudié cette question.