Key points are not available for this paper at this time.
Contexto A ampla aplicação do aprendizado de máquina (ML) possui grande potencial para melhorar a saúde pública, apoiando a análise de dados que informam políticas e práticas. No entanto, sua aplicação muitas vezes é dificultada pela fragmentação de dados entre organizações e pela estrita regulamentação do Regulamento Geral sobre a Proteção de Dados (GDPR). O aprendizado federado (FL), como uma abordagem descentralizada ao ML, tem recebido considerável interesse como um meio de superar a fragmentação de dados, mas ainda não está claro até que ponto essa abordagem está em conformidade com o GDPR. Objetivo Nosso objetivo foi entender as potenciais implicações da proteção de dados do uso do aprendizado federado para fins de saúde pública. Métodos Com base em entrevistas semiestruturadas (n = 14) e uma discussão em painel (n = 5) com líderes de opinião chave na Europa, incluindo especialistas em FL e GDPR, exploramos como os princípios do GDPR se aplicariam à implementação do FL na saúde pública. Resultados Embora este estudo tenha encontrado que o FL oferece benefícios substanciais, como minimização de dados, limitação de armazenamento e mitigação eficaz de muitos dos riscos à privacidade de compartilhamento de dados pessoais, também foram identificados diversos desafios. Esses desafios estão principalmente relacionados à dificuldade aumentada de verificar os dados na fonte e à compreensão limitada de potenciais resultados adversos da tecnologia. Conclusão Como o FL ainda está em sua fase inicial e em rápido desenvolvimento, espera-se que o conhecimento sobre suas impraticabilidades aumente rapidamente, potencialmente abordando os desafios remanescentes. Enquanto isso, este estudo reflete sobre o potencial do FL para alinhar-se com os objetivos de proteção de dados e oferece orientações sobre a conformidade com o GDPR.
Lieftink et al. (Thu,) estudaram essa questão.