Federated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals services

• Ano de defesa: 2023
• Autor(a) principal: Policarpo, Lucas Micol
• Orientador(a): Righi, Rodrigo da Rosa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Aprendizado federado; hospitais inteligentes; Distribuição de dados desbalanceada
• Palavras-chave em Inglês: Federated learning; Smart hospital; Unbalance data distribution
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://repositorio.jesuita.org.br/handle/UNISINOS/12803

A integração de serviços de inteligência artificial e aprendizado de máquina na área da saúde revolucionou o atendimento ao paciente, abrangendo desde o monitoramento de saúde em tempo real até a análise complexa de imagens médicas. No entanto, a implementação desses serviços de aprendizado de máquina no contexto de hospitais inteligentes apresenta desafios significativos devido às diversas demandas de dados e preocupações com a privacidade. O Aprendizado Federado emerge como uma solução promissora, permitindo que os dados permaneçam com os usuários enquanto os modelos de aprendizado de máquina são treinados de forma colaborativa. O aprendizado federado garante a privacidade dos dados e oferece escalabilidade ao possibilitar o aprendizado distribuído entre vários usuários. Nesta pesquisa, estendemos o paradigma do aprendizado federado para o domínio dos hospitais inteligentes e propomos o modelo "Hospital Federado"para enfrentar os desafios decorrentes da heterogeneidade entre diferentes departamentos hospitalares. Através da agregação em vários níveis, a arquitetura do Hospital Federado é projetada para acomodar as diversas demandas e situações de saúde dentro de cada departamento individual, fornecendo modelos de aprendizado de máquina personalizados e precisos para cada usuário. Por meio de experimentação extensa e avaliação em cenários distintos, incluindo distribuições de dados homogêneas e heterogêneas, comparamos o desempenho do modelo do Hospital Federado em relação às abordagens padrão de aprendizado de máquina e aprendizado federado. Os resultados confirmam a eficácia de nossa proposta em termos de precisão, eficiência e velocidade de convergência. Além disso, o processo de agregação em vários níveis na arquitetura do hospital inteligente aprimora o desempenho do modelo, garantindo a geração de modelos de aprendizado de máquina personalizados específicos para as características únicas de cada departamento. O modelo do Hospital Federado demonstra seu potencial para melhorar a execução de serviços orientados por aprendizado de máquina em hospitais inteligentes. Ao otimizar a precisão e o desempenho dos modelos de aprendizado de máquina para diversos departamentos de saúde, nossa proposta visa revolucionar a tomada de decisões baseada em dados, promovendo o atendimento personalizado ao paciente e serviços de saúde eficientes. O próximo passo desta pesquisa é implementar o Hospital Federado em hospitais reais na região metropolitana de Porto Alegre, Rio Grande do Sul.