Un model AI inovator pentru protejarea confidențialității pacienților în datele ECG
Există o percepție greșită comună conform căreia electrocardiogramele (ECG) conțin doar date despre activitatea inimii.
Însă, ECG-urile moderne, îmbunătățite cu inteligență artificială (AI), pot include informații despre sex, vârstă, rasă și chiar identitatea exactă a pacientului, obținute din semnalele ECG, ceea ce ridică noi probleme de confidențialitate.
Pentru a aborda aceste îngrijorări, cercetătorii de la Universitatea din Kansas au dezvoltat un model AI de protecție a intimității, numit PP-VAE, destinat să protejeze datele sensibile ale pacienților.
„Sistemele AI moderne pot deduce trăsături sensibile din semnalele ECG, inclusiv intervale de vârstă aproximative și alte caracteristici biometrice personale”, a declarat Fairuz Shadmani Shishir, student doctorand la inginerie electrică și informatică la KU, care a condus studiul. „Obiectivul nostru a fost să dezvoltăm o metodă care să păstreze informațiile clinice utile din ECG-uri, reducând în același timp expunerea caracteristicilor personale sensibile, cum ar fi vârsta, sexul și detaliile demografice.”
Shishir și o echipă de cercetare de la KU Medical Center au detaliat noua lor metodă într-o recentă publicație în Scientific Reports.
„Am propus un model bazat pe AI care analizează semnalele ECG pentru a prezice rezultate clinice importante, cum ar fi fracția de ejecție ventriculară stângă (LVEF), un indicator al anomaliilor cardiace și riscului de mortalitate timpurie”, a adăugat el. „În același timp, modelul este conceput pentru a reduce expunerea informațiilor biometrice sensibile, inclusiv vârsta, sexul și caracteristicile demografice deduse din semnalele ECG.”
Shishir a subliniat că această cercetare a fost necesară deoarece, în sectorul sănătății, companiile și instituțiile medicale împărtășesc adesea ECG-uri și alte informații de sănătate între organizații.
„Protejarea intimității pacienților este esențială atunci când se împărtășesc date medicale”, a spus el. „Obiectivul nostru a fost să permitem partajarea sigură a informațiilor utile din ECG fără a expune nejustificat caracteristicile personale sensibile.”
Shishir și colaboratorii săi de la KU Medical Center au redus identificabilitatea biometriei soft prin utilizarea unor modele independente de rețele neuronale convoluționale, păstrând în același timp predicții clinice utile, cum ar fi hipertrofia ventriculară stângă și mortalitatea pe cinci ani.
„Aceste descoperiri demonstrează eficiența abordării noastre pentru păstrarea datelor ECG în timp ce protejăm confidențialitatea pacienților”, au scris autorii.
Colaboratorii lui Shishir includ Sumaiya Shomaji, profesor asistent în Departamentul de Inginerie Electrică și Informatică la KU; Amit Noheria, profesor asociat în Departamentul de Medicină Cardiovasculară la KU Medical Center; și Christopher Harvey și Amulya Gupta din Departamentul de Medicină Cardiovasculară la KU Medical Center.
Cercetătorii susțin că metoda lor ar putea ajuta spitalele și instituțiile de cercetare să împărtășească date ECG în condiții de siguranță, facilitând colaborarea și dezvoltarea AI fără a compromite confidențialitatea pacienților.
„În experimentele noastre, am comparat performanța modelului nostru cu alte modele de vârf”, a spus Shishir. „Am demonstrat că modelul nostru are o performanță competitivă în comparație cu alte abordări bazate pe învățarea automată. Modelul funcționează bine în prezicerea bolilor de inimă și a riscurilor de mortalitate timpurie, dezvăluind mai puține informații biometrice din semnalele ECG.”
Mai mult, inovația de la KU ar putea ajuta la reducerea prejudecăților în îngrijirea medicală, ce pot duce la subdiagnosticare și subtratament al grupurilor marginalizate și femeilor.
„Prejudecata este o problemă importantă de abordat”, a afirmat Shishir. „În modelele noastre, ne-am propus să includem proporții echilibrate de pacienți bărbați și femei, precum și o reprezentare echilibrată între grupurile rasiale albe, non-albe și alte grupuri rasiale. Aceasta a fost o modalitate prin care am încercat să minimizăm prejudecățile. În același timp, modelul nostru a fost antrenat folosind date de la KUMC, iar deși l-am validat pe seturi de date publice, lucrările viitoare vor implica antrenarea pe seturi de date din diferite regiuni ale lumii. Acest lucru ne va ajuta să evaluăm mai bine prejudecățile și să îmbunătățim capacitatea modelului de a generaliza pe diverse populații.”
Înainte ca tehnologia să fie adoptată pe scară largă, cercetătorii au menționat că construirea încrederii și accesibilității va fi esențială.
„Credem că există două motive principale pentru care oamenii ar trebui să o folosească”, a spus Shishir. „În primul rând, modelul este conceput să generalizeze între pacienții din Statele Unite. În al doilea rând, planificăm să facem modelul disponibil public, astfel încât oricine să poată să-l folosească. Făcând modelul disponibil public, respectăm practicile comune din domeniul AI. Instituțiile vor putea folosi modelul nostru și, eventual, să construiască propriile versiuni antrenate pe seturile lor de date. Obiectivul nostru este să lansăm modelul public în viitor.”
