Прогнозирующая, профилактическая, персонализированная медицина и совместная медицина, известная как P4, - это здравоохранение будущего. Чтобы ускорить его внедрение и максимизировать его потенциал, необходимо эффективно обмениваться клиническими данными о большом количестве людей между всеми заинтересованными сторонами. Однако данные собрать сложно. Он расположен в отдельных больницах, медицинских кабинетах и клиниках по всему миру. Риски конфиденциальности, связанные с раскрытием медицинских данных, также вызывают серьезную озабоченность, и без эффективных технологий сохранения конфиденциальности они стали препятствием на пути развития медицины P4.
Развитие медицины P4
Существующие подходы либо обеспечивают лишь ограниченную защиту конфиденциальности пациентов, требуя, чтобы учреждения делились промежуточными результатами, что, в свою очередь, может привести к утечке конфиденциальной информации на уровне пациента, либо они приносят в жертву точность результатов, добавляя шум к данным, чтобы уменьшить потенциальную утечку.
Теперь исследователи из Лаборатории безопасности данных EPFL, работая с коллегами из Университетской больницы Лозанны (CHUV), MIT CSAIL и Broad Institute of MIT и Гарварда, разработали «FAMHE». Эта федеративная аналитическая система позволяет различным поставщикам медицинских услуг совместно выполнять статистический анализ и разрабатывать модели машинного обучения без обмена базовыми наборами данных. FAHME находит золотую середину между защитой данных, точностью результатов исследований и практическим временем вычислений - тремя важнейшими измерениями в области биомедицинских исследований.
В статье, опубликованной в Nature Communications сегодня (11 октября 2021 г.), исследовательская группа говорит, что решающее различие между FAMHE и другими подходами, пытающимися преодолеть проблемы конфиденциальности и точности, заключается в том, что FAMHE работает масштабно, и математически доказано, что его безопасность , что необходимо из-за конфиденциальности данных.
В двух прототипах FAMHE точно и эффективно воспроизвел два опубликованных мультицентрических исследования, которые основывались на централизации данных и индивидуальных юридических контрактах на централизованные исследования передачи данных, включая анализ выживаемости Каплана-Мейера в онкологии и полногеномные исследования ассоциаций в медицинской генетике. Другими словами, они показали, что те же научные результаты могли быть достигнуты, даже если бы наборы данных не были переданы и централизованы.
«До сих пор никому не удавалось воспроизвести исследования, показывающие, что федеративная аналитика работает в большом масштабе. Наши результаты точны и получены за разумное время вычислений. FAMHE использует многостороннее гомоморфное шифрование, то есть способность производить вычисления с данными в зашифрованной форме из разных источников без централизации данных и без того, чтобы какая-либо сторона могла видеть данные других сторон», - говорит профессор EPFL Жан-Пьер Хубо, ведущий руководитель исследования, автор.
«Эта технология не только произведет революцию в клинических исследованиях на нескольких площадках, но также позволит и расширит возможности сотрудничества вокруг конфиденциальных данных во многих различных областях, таких как страхование, финансовые услуги и киберзащита, среди прочих», - добавляет старший научный сотрудник EPFL д-р Хуан Тронкосо. Пасториза.
Конфиденциальность данных пациентов
Конфиденциальность данных пациентов - ключевая задача Университетской больницы Лозанны.
- «Большинство пациентов стремятся поделиться данными о своем здоровье для развития науки и медицины, но очень важно обеспечить конфиденциальность такой конфиденциальной информации. FAMHE позволяет проводить безопасные совместные исследования данных пациентов в беспрецедентном масштабе », - говорит профессор Жак Феллай из отделения прецизионной медицины CHUV.
- «Это кардинально меняет правила игры в сторону персонализированной медицины, потому что, пока такого решения не существует, альтернативой является заключение двусторонних соглашений о передаче и использовании данных, но они носят индивидуальный характер, и на их обсуждение уходят месяцы. убедитесь, что данные будут должным образом защищены, когда это произойдет. FAHME предоставляет решение, которое позволяет раз и навсегда согласовать набор инструментов, который будет использоваться, а затем развернуть его», - говорит профессор Бонни Бергер из MIT, CSAIL и Broad.
- «Эта работа закладывает ключевой фундамент, на котором алгоритмы федеративного обучения для ряда биомедицинских исследований могут быть построены с возможностью масштабирования. Приятно думать о возможных будущих разработках инструментов и рабочих процессов, которые позволят этой системе удовлетворить разнообразные аналитические потребности в биомедицине», - говорит д-р Хёнхун Чо из Broad Institute.
Итак, как быстро и как далеко исследователи ожидают распространения этого нового решения? «Мы активно обсуждаем с партнерами в Техасе, Нидерландах и Италии возможность масштабного развертывания FAMHE. Мы хотим, чтобы это стало неотъемлемой частью повседневных медицинских исследований», - говорит доктор Жан Луи Райзаро из CHUV, один из ведущих исследователей исследования.