利用异构真实世界生存数据开发联邦时间-事件评分系统：提升多中心临床预测的隐私保护协作框架

　　本文提出联邦生存评分框架（FedScore-Surv），通过隐私保护方式整合多中心异构生存数据，在急诊医学场景中构建高精度时间-事件预测模型。该框架仅需交换中间统计量，显著提升受试者工作特征曲线下面积（iAUC）达11.6%，为临床决策提供既符合数据安全要求又具卓越预测效能的新型工具。

　　

^?背景与意义

风险预测模型在指导临床决策中发挥着关键作用，其中可解释性是医疗从业者考虑将其纳入常规临床实践的核心因素。评分系统因其卓越的可解释性[1]已在医疗领域获得广泛认可，在医学多个诊断领域均证明其价值[2]。与复杂计算方法不同，评分系统通过快速直观的风险评估展现出独特优势。

^?研究目标

本研究通过提出专为处理多中心时间-事件临床结局设计的联邦评分系统框架，填补现有研究空白。我们的方法优先考虑通信效率和用户友好性，仅依赖中间汇总统计量的广播与接收，无需交换敏感患者层级信息。为验证方法有效性，我们使用来自新加坡和美国急诊科的两个真实世界异构生存数据集进行了概念验证实验。

^?研究方法

医学领域中评分系统与其他模型的整合通常优先考虑模型的简约性，即模型应保持稀疏性，使用最必要的变量，同时具备强大的预测准确性[29]。这与临床实践中实施风险分层评分系统的普遍期望相符——追求简单、快速且高精度的风险评估。本研究特别强调确保最终联邦生存评分既简洁又具备高度预测力。

^?研究结果

本研究所获最终MIMIC队列和SGH队列的样本量分别为7177和43,408例。如图2所示，共形成6个研究中心，总样本量范围在3546至17,471之间。各参与站点队列的基线特征汇总详见电子表1，可观察到明显的数据分布异质性。例如，平均心率范围从80.10至87.09次/分钟，慢性肾脏疾病患病率在不同站点间存在显著差异。

^?讨论

本研究提出的FedScore-Surv是一个通信高效的框架，使用户能以隐私保护方式安全便捷地协作，在具有异构分布生存数据的多中心创建统一的时间-事件评分。FedScore-Surv的核心优势在于其能生成可解释的生存评分系统，为严重医疗状况提供快速直观的风险评估，无需依赖计算机进行复杂计算。

^?结论

我们开发了FedScore-Surv——专为时间-事件临床结局设计的隐私保护评分系统，并通过使用真实世界异构数据集进行30天住院生存预测任务完成概念验证。结果明确表明FedScore-Surv能创建强大的联邦时间-事件临床评分，通过提供优于本地开发模型的联邦模型为参与站点带来潜在收益。本方法具...