D3MI:一种通过校正站点内相关性与站点间异质性降低分布式不完整数据分析偏倚的高效强效联邦插补方法

《BMC Medical Informatics and Decision Making》:D3MI: an efficient and powerful federated imputation method for bias reduction in the analysis of distributed incomplete data by accounting for within-site correlation and between-site heterogeneity

【字体: 大 中 小 】 时间:2026年10月09日 来源:BMC Medical Informatics and Decision Making 5.5

编辑推荐:

  背景 来自不同医疗机构的电子健康记录(EHRs)为临床研究提供了丰富且有代表性的数据来源。联邦学习使研究人员能够分析这些分布式数据而无需共享敏感的患者级别信息,从而保护隐私。然而,缺失数据仍是主要挑战,若处理不当可引入显著偏倚。目前分布式插补方法非常少,且未能

  
背景
来自不同医疗机构的电子健康记录(EHRs)为临床研究提供了丰富且有代表性的数据来源。联邦学习使研究人员能够分析这些分布式数据而无需共享敏感的患者级别信息,从而保护隐私。然而,缺失数据仍是主要挑战,若处理不当可引入显著偏倚。目前分布式插补方法非常少,且未能考虑EHR数据的两个关键方面:站点内相关性和站点间变异性。研究人员旨在填补这一重要方法学空白。
方法
研究人员提出分布式混合模型多重插补(D3MI),一种新型联邦插补方法,旨在减少分布式EHRs中的偏倚。D3MI整合联邦学习技术、用于相关数据的统计学习方法以及多水平插补算法的优势,通过站点特异随机效应明确考虑站点内相关性和站点间异质性。该方法在缺失随机(MAR)假设下运行。它通过避免共享原始数据来保护隐私,并具有通信和计算效率。
结果
通过广泛模拟研究,研究人员证明D3MI在准确性和一致性方面优于当前最优(SOTA)分布式插补方法。研究人员进一步在真实世界EHR案例研究中展示D3MI的应用,该研究涉及Georgia Coverdell Acute Stroke Registry参与医院的不完整和聚集数据。
结论
通过明确建模分布式EHR数据的复杂结构,D3MI解决了现有方法的关键局限。它为分布式和隐私敏感环境中的缺失数据处理提供了强大且高效的解决方案,并增强了协作临床研究的严谨性和可重复性。
**研究背景**
来自不同医疗机构的电子健康记录(EHRs)为临床研究提供丰富且具代表性的数据来源。联邦学习(federated learning)允许在无需共享敏感患者级别信息的情况下分析分布式数据,保护隐私。然而,缺失数据仍是主要挑战,若处理不当会引入显著偏倚。目前分布式插补方法很少,且未考虑EHR数据的两个关键特征:站点内相关性和站点间异质性。Georgia Coverdell Acute Stroke Registry(GCASR)中,到院至计算机断层扫描(CT)时间受医院工作流程等未观测因素影响;EMSnote变量在医院间缺失比例从低于1%到超过55%,观测比例从12%到近100%,说明站点间异质和站点内相关。研究假设缺失机制为缺失随机(MAR)。研究人员旨在填补这一方法学空白。

**研究人员开展的研究、结论及意义**
研究人员提出分布式混合模型多重插补(D3MI),一种新型联邦插补方法,旨在减少分布式EHRs中的偏倚。D3MI整合联邦学习技术、相关数据统计学习方法和多水平插补算法,通过站点特异随机效应明确考虑站点内相关和站点间异质。它在MAR假设下运行,通过不共享原始数据保护隐私,并具有通信和计算效率。研究人员通过广泛模拟和GCASR真实案例展示D3MI优于当前最优(SOTA)分布式插补方法,并在隐私敏感分布式环境中提供有效方案,增强协作临床研究的严谨性和可重复性。

**关键技术方法**
D3MI包括分布式插补、分布式分析和合并。对每个含缺失协变量,拟合带站点随机截距的广义线性混合模型(GLMM),采用分布式PQL(dPQL)估计;基于近似贝叶斯多水平插补生成M次随机插补;多个缺失变量纳入链式方程多元插补(MICE)。对每个插补数据集拟合分布式GLMM并用dPQL估计,最后按Rubin规则合并。模拟设置总样本N=600或1200,5或10个站点,强/弱站点间异质性,缺失比例约15–20%,MAR,M=5,1000次Monte Carlo。真实案例来源为GCASR,排除患者数少于10的医院和到院至CT时间超过5000分钟者,最终36,422例患者来自67家医院。方法比较包括AVGM、CSL、PQL、lme4、完整数据(CD)和完整病例(CC)。

**研究结果**
**Simulation(模拟研究)**
研究人员生成连续变量 xi3~N(0,0.52),连续变量 xi2~N(ui2+0.1x3,0.12) 且 ui2~N(0,0.12),二值变量 xi1~Binom(1/(1+exp(-ui1-0.1xi2-0.1xi3))),ui1~N(0,0.12),结局 yi~N(-0.5+0.5xi1+0.5xi2+0.1xi3+uiy,0.52),uiy~N(0,σuy2)。三种场景:a)x1缺失;b)x2缺失;c)x1和x2均缺失。结果:在场景a中,弱异质下D3MI与AVGM、CSL偏倚相似但SD和rMSE更低;强异质下D3MI明显优于两者。AVGM和CSL忽略聚类导致高偏倚、SD和rMSE;CSL依赖中心站点而不稳定。D3MI一次迭代偏倚略大但SD和rMSE接近中心化lme4和PQL,增加迭代可降低偏倚。场景b中,D3MI一致优于AVGM或CSL,弱异质小优势,强异质显著;连续变量高斯GLMM下D3MI几乎等同PQL和lme4,一次迭代足够。样本量增大改善性能;站点数从5增至10,偏倚略增但SD和rMSE下降。场景c中,D3MI优于AVGM和CSL,尤其强异质;CSL偏倚低但变异最大;GLMM方法随站点数增加表现更好,D3MI接近lme4和PQL。总体GLMM插补优于不考虑站点异质的(G)LM插补。

**Real-world case study(真实世界案例研究)**
在GCASR中估计EMSnote与log arrival-to-CT time的关联,调整健康保险、种族、性别、周末、日间、EMSeduc及医院异质性。D3MI一次迭代结果与假设中心化金标准GLMM求解器非常相似。AVGM和CSL估计相似但显著不同。调整混杂后,D3MI给出EMSnote与log arrival-to-CT time降低0.24(95%置信区间[CI]:0.20至0.27),显著不同于AVGM的0.17(95% CI:0.14至0.20)和CSL的0.17(95% CI:0.14至0.19)。周末到达者时间略长;保险状态和EMS教育显示 modest 关联。该案例说明D3MI可在缺失和站点异质下揭示有意义的临床模式。

**Discussions(讨论)与Conclusion(结论)**
讨论指出,D3MI是隐私保护分布式多重插补方法,考虑站点间异质和站点内相关,优先计算和通信效率,性能可与合并数据方法相比。优势包括:获得中心化GLMM多水平插补的偏倚和变异降低;与中心化“金标准”GLMM插补结果可比;计算高效,可扩展至额外随机效应。局限性包括:一次迭代插补二值缺失变量时偏倚可能较大,额外迭代可收敛至中心化GLMM插补;对模型假设敏感,如正态随机效应、链接尺度线性预测和MAR;在MNAR下表现有限;需要足够数量站点;弱异质性下相对GLM插补无明确优势;并非差分隐私或安全多方计算意义上的正式隐私保护方法。结论:D3MI是一种高效联邦插补方法,同时考虑站点间异质性和站点内相关性。通过提高插补准确性并保护隐私,D3MI支持分布式医疗和其他多机构研究环境中更有效和可重复的分析。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号