Previsão da duração da estadia dos pacientes hospitalares: uma abordagem de aprendizado federado

Prever a duração da estadia dos pacientes (LOS) é um determinante crucial para os hospitais manterem a eficiência dos recursos e a qualidade do tratamento, onde abordagens preditivas baseadas em aprendizado de máquina podem ser extremamente benéficas. Embora a crescente adoção de tecnologia da informação pela indústria da saúde tenha transformado-a em um enorme centro de dados, a maior parte desses dados é mantida dentro da instituição médica e não é compartilhada com outros por questões de confidencialidade, o que dificulta a construção de análises preditivas eficientes que requerem uma grande quantidade de dados de treinamento. Assim, este estudo propõe um modelo baseado em aprendizado de máquina federado para prever a duração da estadia dos pacientes em dias, combinando os resultados dos modelos treinados localmente de vários clientes hospitalares descentralizados e heterogêneos, mantendo a privacidade dos dados para treinar um modelo preditivo agregado no servidor. Aqui, os dados administrativos de dez clientes hospitalares foram treinados usando três tipos de modelos de regressão de aprendizado de máquina localmente utilizando seus próprios dados. Em seguida, os parâmetros (intercepto e coeficiente) dos modelos treinados localmente são enviados ao servidor central em múltiplas rodadas, onde foram agregados para construir um modelo combinado para previsão de LOS. O desempenho da análise de regressão dos modelos treinados localmente e do modelo do lado do servidor, agregando diferentes números de clientes, foi comparado através de várias métricas de parâmetro. Os resultados revelam que o desempenho preditivo do modelo agregado com aprendizado federado é menos propenso a erros, e que o desempenho do modelo melhora quando mais parâmetros de clientes são integrados no lado do servidor.