ترجمه فارسی مقاله پیش بینی فدرال حفظ حریم خصوصی از تغییر شدت درد بر اساس داده های بررسی چند مرکز
عنوان مقاله به انگلیسی
Privacy-preserving federated prediction of pain intensity change based on multi-center survey data
عنوان مقاله به فارسی
پیش بینی فدرال حفظ حریم خصوصی از تغییر شدت درد بر اساس داده های بررسی چند مرکز
نویسندگان
Supratim Das, Mahdie Rafie, Paula Kammer, Søren T. Skou, Dorte T. Grønne, Ewa M. Roos, André Hajek, Hans-Helmut König, Md Shihab Ullaha, Niklas Probul, Jan Baumbacha, Linda Baumbach
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Background: Patient-reported survey data are used to train prognostic models aimed at improving healthcare. However, such data are typically available multi-centric and, for privacy reasons, cannot easily be centralized in one data repository. Models trained locally are less accurate, robust, and generalizable. We present and apply privacy-preserving federated machine learning techniques for prognostic model building, where local survey data never leaves the legally safe harbors of the medical centers. Methods: We used centralized, local, and federated learning techniques on two healthcare datasets (GLA:D data from the five health regions of Denmark and international SHARE data of 27 countries) to predict two different health outcomes. We compared linear regression, random forest regression, and random forest classification models trained on local data with those trained on the entire data in a centralized and in a federated fashion. Results: In GLA:D data, federated linear regression (R2 0.34, RMSE 18.2) and federated random forest regression (R2 0.34, RMSE 18.3) models outperform their local counterparts (i.e., R2 0.32, RMSE 18.6, R2 0.30, RMSE 18.8) with statistical significance. We also found that centralized models (R2 0.34, RMSE 18.2, R2 0.32, RMSE 18.5, respectively) did not perform significantly better than the federated models. In SHARE, the federated model (AC 0.78, AUROC: 0.71) and centralized model (AC 0.84, AUROC: 0.66) perform significantly better than the local models (AC: 0.74, AUROC: 0.69). Conclusion: Federated learning enables the training of prognostic models from multi-center surveys without compromising privacy and with only minimal or no compromise regarding model performance.
چکیده به فارسی (ترجمه ماشینی)
سابقه و هدف: از داده های نظرسنجی گزارش شده توسط بیمار برای آموزش مدلهای پیش آگهی با هدف بهبود مراقبت های بهداشتی استفاده می شود.با این حال ، چنین داده هایی به طور معمول چند محور در دسترس هستند و به دلایل حریم خصوصی ، به راحتی نمی توانند در یک مخزن داده متمرکز شوند.مدلهای آموزش دیده محلی کمتر دقیق ، قوی و قابل تعمیم هستند.ما تکنیک های یادگیری ماشین فدرال شده برای حفظ حریم خصوصی را برای ساختمان مدل پیش آگهی ارائه می دهیم و به کار می بریم ، جایی که داده های بررسی محلی هرگز بندرهای قانونی از مراکز پزشکی را ترک نمی کند.مواد و روش ها: ما از تکنیک های یادگیری متمرکز ، محلی و فدرال در دو مجموعه داده مراقبت های بهداشتی (داده های GLA: D از پنج منطقه بهداشتی دانمارک و داده های سهم بین المللی 27 کشور) برای پیش بینی دو نتیجه بهداشتی مختلف استفاده کردیم.ما رگرسیون خطی ، رگرسیون جنگلی تصادفی و مدلهای طبقه بندی جنگل تصادفی را که بر روی داده های محلی آموزش داده شده است با آنهایی که در کل داده ها آموزش داده شده اند به صورت متمرکز و به صورت فدرال مقایسه کردیم.یافته ها: در داده های GLA: D ، رگرسیون خطی فدرال (R2 0.34 ، RMSE 18.2) و رگرسیون جنگلی تصادفی فدرال (R2 0.34 ، RMSE 18.3) از همتایان محلی خود بهتر است (یعنی ، R2 0.32 ، RMSE 18.6 ، R2 0.30 ، RMSE 18.8)با اهمیت آماریما همچنین دریافتیم که مدلهای متمرکز (34/0 R2 ، RMSE 18.2 ، R2 0.32 ، RMSE 18.5 ، به ترتیب) عملکرد قابل توجهی بهتر از مدلهای فدرال ندارند.در سهم ، مدل فدرال (AC 0.78 ، AUROC: 0.71) و مدل متمرکز (AC 0.84 ، AUROC: 0.66) عملکرد قابل توجهی بهتر از مدلهای محلی دارند (AC: 0.74 ، AUROC: 0.69).نتیجه گیری: یادگیری فدرال آموزش مدلهای پیش آگهی را از نظرسنجی های چند مرکز بدون به خطر انداختن حریم خصوصی و تنها با حداقل یا عدم سازش در مورد عملکرد مدل امکان پذیر می کند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
