一种无损的一次性分布式算法，用于解决多站点广义线性模型中的异质性问题

《Journal of the American Medical Informatics Association》：A Lossless One-shot Distributed Algorithm for Addressing Heterogeneity in Multi-Site Generalized Linear Models

提出隐私保护的分布式无损耗算法COLA-GLM-H，通过机构级汇总统计重构全局似然，适用于多机构异构医疗数据整合，验证其在COVID-19后心血管风险及死亡率风险因素分析中的有效性，兼顾计算效率与准确性。

　　

摘要

目标

我们提出了一种具有异构性感知能力的协作式一次性无损算法（COLA-GLM-H），用于广义线性模型（Generalized Linear Model）。这是一种新颖的一次性无损分布式算法，能够在不共享患者数据的情况下整合来自不同机构的异构数据，从而保护患者隐私。

材料与方法

广义线性模型（GLMs）在医学研究中被广泛用于分析多种类型的结果。在多机构环境中，我们证明了仅使用机构级别的汇总统计信息即可重建全局似然分布，从而实现无需访问个体记录的无损估计。我们在两个实际研究中验证了COLA-GLM-H的有效性：（1）美国的一个儿科中心化网络（719,383名患者），用于评估COVID-19后的长期心血管风险；（2）一个国际性的去中心化网络，包含来自三个国家的120,429名住院患者的数据，用于评估COVID-19死亡的风险因素。

结果

在中心化网络中，COLA-GLM-H产生的估计结果与汇总分析的结果完全一致。在去中心化环境中，该算法仅通过一次通信即可有效整合多个临床机构的异构数据。

结论

COLA-GLM-H是一种保护隐私、无损且通信和计算效率高的多机构研究解决方案。它考虑了机构间的异质性，并支持指数族中的所有结果类型，从而实现了安全、可扩展和准确的协作临床研究分析。

电子健康记录, 联邦学习, 异构性感知, 无损, 一次性