跨中心ICU数据缺失问题，用联邦马尔可夫方法隐私协作补全。
Federated Markov Imputation: Privacy-Preserving Temporal Imputation in Multi-Centric ICU Environments
- 基于联邦学习的马尔可夫模型，实现多中心时间序列数据协同补全。
- 在MIMIC-IV数据集上，对齐不规则采样场景，补全精度显著优于本地方法。
- 适合关注医疗数据隐私与跨机构协作的临床研究者。
电子健康记录中的缺失数据是联邦学习面临的持续挑战，尤其在不同机构以异构时间粒度采集时序数据时。为此，我们提出联邦马尔可夫补全（Federated Markov Imputation, FMI），一种隐私保护方法，使重症监护室（ICUs）能够协作构建全局的时间转移模型，用于时序数据补全。我们在真实世界脓毒症发病预测任务中使用MIMIC-IV数据集评估FMI，结果表明其在各ICU采样间隔不规则的场景下，显著优于本地补全基线方法。
原文摘要 · Abstract (English)
Missing data is a persistent challenge in federated learning on electronic health records, particularly when institutions collect time-series data at varying temporal granularities. To address this, we propose Federated Markov Imputation (FMI), a privacy-preserving method that enables Intensive Care Units (ICUs) to collaboratively build global transition models for temporal imputation. We evaluate FMI on a real-world sepsis onset prediction task using the MIMIC-IV dataset and show that it outperforms local imputation baselines, especially in scenarios with irregular sampling intervals across ICUs.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。