A decentralized framework for biostatistics and privacy concerns

Mangold, Paul; Moussa, Mouhamed; Sobanski, Vincent; Ficheur, Gregoire; Andrey, Paul; Lamer, Antoine

Type de document :

Article dans une revue scientifique: Article original

DOI :

10.3233/SHTI200710

PMID :

33227756

URL permanente :

http://hdl.handle.net/20.500.12210/40619

Titre :

A decentralized framework for biostatistics and privacy concerns

Auteur(s) :

Mangold, Paul [Auteur]
École normale supérieure de Lyon [ENS de Lyon]
Centre Hospitalier Régional Universitaire [CHU Lille] [CHRU Lille]
Evaluation des technologies de santé et des pratiques médicales - ULR 2694 [METRICS]
Machine Learning in Information Networks [MAGNET]
Moussa, Mouhamed [Auteur]

Récepteurs nucléaires, Maladies Cardiovasculaires et Diabète (EGID) - U1011
Centre Hospitalier Régional Universitaire [CHU Lille] [CHRU Lille]
Récepteurs nucléaires, Maladies Cardiovasculaires et Diabète (EGID) - U1011
Sobanski, Vincent [Auteur]

Centre Hospitalier Régional Universitaire [CHU Lille] [CHRU Lille]
Ficheur, Gregoire [Auteur]

Centre Hospitalier Régional Universitaire [CHU Lille] [CHRU Lille]
METRICS : Evaluation des technologies de santé et des pratiques médicales - ULR 2694
Andrey, Paul [Auteur]
Centre Hospitalier Régional Universitaire [CHU Lille] [CHRU Lille]
Lamer, Antoine [Auteur]

METRICS : Evaluation des technologies de santé et des pratiques médicales - ULR 2694

Titre de la revue :

Studies in Health Technology and Informatics

Nom court de la revue :

Stud Health Technol Inform

Numéro :

275

Pagination :

137-141

Date de publication :

2020-11-23

ISSN :

1879-8365

Discipline(s) HAL :

Sciences du Vivant [q-bio]

Résumé en anglais : [en]

Biostatistics and machine learning have been the cornerstone of a variety of recent developments in medicine. In order to gather large enough datasets, it is often necessary to set up multi-centric studies; yet, centralization ...
Lire la suite >Biostatistics and machine learning have been the cornerstone of a variety of recent developments in medicine. In order to gather large enough datasets, it is often necessary to set up multi-centric studies; yet, centralization of measurements can be difficult, either for practical, legal or ethical reasons. As an alternative, federated learning enables leveraging multiple centers' data without actually collating them. While existing works generally require a center to act as a leader and coordinate computations, we propose a fully decentralized framework where each center plays the same role. In this paper, we apply this framework to logistic regression, including confidence intervals computation. We test our algorithm on two distinct clinical datasets split among different centers, and show that it matches results from the centralized framework. In addition, we discuss possible privacy leaks and potential protection mechanisms, paving the way towards further research.Lire moins >

Langue :

Anglais

Audience :

Internationale

Vulgarisation :

Non

Établissement(s) :

CHU Lille
Inserm
Institut Pasteur de Lille
Université de Lille

Collections :

Date de dépôt :

2021-07-06T12:45:59Z
2024-01-29T09:05:20Z

Fichiers

SHTI-275-SHTI200710.pdf
Non spécifié
Accès libre
Accéder au document

Ce document est diffusé sous licence Attribution-NonCommercial 3.0 United States

Numéro de version	Lien	Date de modification
2	20.500.12210/40619*	2024-01-29T08:40:47Z
1	20.500.12210/40619.1	2021-07-06T12:45:59Z

A decentralized framework for biostatistics ...

BibTeX

CSV

Excel

RIS

Fichiers

Historique des modifications

A decentralized framework for biostatistics ... BibTeX CSV Excel RIS

Fichiers

Historique des modifications

A decentralized framework for biostatistics ...

BibTeX

CSV

Excel

RIS