ترجمه فارسی مقاله انتساب چندگانه فدرال برای متغیرهایی که به طور تصادفی در پرونده های سلامت الکترونیکی توزیع شده وجود ندارند

چکیده

Large electronic health records (EHR) have been widely implemented and are available for research activities. The magnitude of such databases often requires storage and computing infrastructure that are distributed at different sites. Restrictions on data-sharing due to privacy concerns have been another driving force behind the development of a large class of distributed and/or federated machine learning methods. While missing data problem is also present in distributed EHRs, albeit potentially more complex, distributed multiple imputation (MI) methods have not received as much attention. An important advantage of distributed MI, as well as distributed analysis, is that it allows researchers to borrow information across data sites, mitigating potential fairness issues for minority groups that do not have enough volume at certain sites. In this paper, we propose a communication-efficient and privacy-preserving distributed MI algorithms for variables that are missing not at random.

چکیده به فارسی (ترجمه ماشینی)

سوابق بزرگ سلامت الکترونیکی (EHR) به طور گسترده ای اجرا شده و برای فعالیت های تحقیقاتی در دسترس است.بزرگی چنین بانکهای اطلاعاتی اغلب نیاز به ذخیره سازی و زیرساخت های محاسباتی دارد که در سایت های مختلف توزیع می شوند.محدودیت در تقسیم داده ها به دلیل نگرانی از حریم خصوصی ، یکی دیگر از نیروی محرکه توسعه کلاس بزرگی از روشهای یادگیری ماشین توزیع شده و/یا فدرال شده است.در حالی که مشکل داده های از دست رفته نیز در EHR های توزیع شده وجود دارد ، هرچند که به طور بالقوه پیچیده تر ، روش های مختلف توزیع (MI) توزیع شده به اندازه توجه زیادی را به خود جلب نکرده اند.یک مزیت مهم از MI توزیع شده و همچنین تجزیه و تحلیل توزیع شده این است که به محققان این امکان را می دهد تا اطلاعات را در سایت های داده وام بگیرند و مسائل مربوط به انصاف بالقوه را برای گروه های اقلیت که حجم کافی در سایت های خاص ندارند ، کاهش دهند.در این مقاله ، ما یک الگوریتم های MI توزیع شده با ارتباطات و حفظ حریم خصوصی را برای متغیرهایی که به طور تصادفی از دست نمی روند ، پیشنهاد می کنیم.