في زمن تتزايد فيه أهمية الرعاية الصحية الرقمية، كشف باحثون عن تقنية جديدة تعتمد على التعلم الفيدرالي للحفاظ على الخصوصية في كشف الشذوذات القلبية. تتمثل الفكرة في استخدام نظام مراقبة القلب المستمر الذي يساعد على تحديد أي اضطرابات في الإيقاع قبل أن تتطور إلى أحداث قلبية قد تكون خطرة.

تواجه هذه الأنظمة ثلاثة تحديات رئيسية يجب التعامل معها في الوقت ذاته: الحفاظ على الخصوصية وفقًا للمعايير القانونية مثل (GDPR) و(HIPAA)، إجراء استدلالات في الوقت الحقيقي على الأجهزة ذات الموارد المحدودة، وضمان جودة الكشف في ظل بيانات غير مستقلة وغير متجانسة (non-IID) عبر مستشفيات متعددة.

صمم الباحثون نظامًا فيدراليًا شاملًا لكشف الشذوذات القلبية انطلاقًا من مجموعة بيانات (PTB-XL)، حيث تم دمج ثلاث عائلات من نماذج (Autoencoder) وهي (VanillaAE) و(ConvAE) و(VAE). يعتمد هذا النظام على (Flower-based federated averaging) للمتوسطات الفيدرالية عبر عشرة مستشفيات محاكاة، ويعتمد أسلوب (Differentially Private SGD) مع محاسب (R'enyi-DP)، بالإضافة إلى تقنيات التقليل من حجم النموذج باستخدام (INT8) عبر جهاز (Raspberry Pi 4).

أحد أبرز نتائج هذا البحث هو أن التعلم الفيدرالي لا يتفوق فقط على النماذج المركزية، بل يتماشى معها أو يتفوق عليها في جميع الهياكل المعمارية، حيث تجاوز معدل (AUROC) لنظام (ConvAE) 0.782. وعبر تحليل للمستوى المعقول إنّ (ε) عند قيمة 4 تعتبر الأفضل للاستخدام السريري.

بفضل تقنيات قياس الأداء الجديدة، تمكن الباحثون من تقليص حجم النموذج إلى النصف وتخفيض زمن الاستجابة على جهاز (Pi 4) بنسبة تصل إلى 44% مع خسارة أقل من 0.12% في (AUROC). الأهم من ذلك، أن العقوبات المرتبطة بالخصوصية والنماذج الكمية مستقلة تمامًا عن بعضها البعض، مما يعني أن الممارسين لا يحتاجون إلى التضحية بضمان الخصوصية القوي من أجل الحصول على نموذج مدمج.

إن هذا النظام يمثل خطوة رائدة في دمج التعلم الفيدرالي مع أساليب الحفاظ على الخصوصية وكشف الشذوذات، مما يسهم بشكل كبير في تطوير رعاية صحية أكثر أمانًا وكفاءة.