MCN-GNN kullanarak dağıtık hastaneler arasında gizliliği koruyan klinik olay tahmini için sürekli güncellemeli federated öğrenme

Sağlığınız için neden önemli

Modern hastaneler büyük miktarda dijital sağlık kaydı topluyor, ancak sıkı gizlilik kuralları ve güven sorunları verilerin birleştirilmesini ve ortak öğrenmeyi zorlaştırıyor. Bu çalışma, birçok hastanenin ham hasta verilerini hiç paylaşmadan kalp yetmezliği, inme, karaciğer hastalığı, böbrek hastalığı ve diyabet gibi durumlar için güçlü tahmin araçlarını birlikte eğitmesine olanak veren bir yöntem sunuyor. Ayrıca pek çok yapay zeka sisteminde gizli kalan bir sorunu da ele alıyor: yeni bilgiler geldikçe eski bilgilerin ‘‘unutulma’’ eğilimi.

Birçok hastane, tek ortak zihin

Yazarlar federated learning (birleştirilmiş öğrenme) fikri üzerine kuruyor: hasta kayıtlarını merkezi bir sunucuya göndermek yerine her hastane kendi yerel modelini eğitiyor ve yalnızca öğrenilen güncellemeleri ortak bir küresel modele iletiyor. Bu çalışmada onlarca hastane farklı sorunlara odaklanabiliyor—örneğin biri kalp yetmezliğini, diğeri inmeyi, bir başkası sirozu tahmin ediyor—ancak hepsi daha güçlü ortak bir modele katkı sağlıyor. Bu düzen veri setlerini her hastanenin duvarları içinde tutarken binlerce hastanın birleşik deneyiminden herkesin yararlanmasına imkân tanıyor.

Tıbbi geçmişleri ağlara dönüştürmek

Elektronik sağlık kayıtlarından en iyi verimi almak için ekip, her hastanın bilgisini zaman içindeki olay ağlarına dönüştürüyor. Bu ağda yaş, kan basıncı, laboratuvar sonuçları ve semptomlar gibi tıbbi özellikler düğümler olarak ele alınıyor ve aralarındaki bağlantılar önceki olayların sonraki olayları nasıl etkilediğini yakalıyor. Zaman‑nedensel (temporal‑causal) grafik olarak adlandırılan bu yapı, basit korelasyonlardan ziyade nedensellik desenlerini ortaya çıkarmayı hedefliyor. Ardından özel bir grafik tabanlı model bu ağlardan öğreniyor ve farklı özelliklerin birbirine fazla karışmasını önleyen bir “ortalama‑merkezleme” adımıyla pek çok grafik yönteminin ortak zayıflığını gideriyor.

Modeller hareket halindeyken sırları saklamak

Hastaneler yalnızca model güncellemelerini gönderse bile, bir saldırgan bunları akıllıca analiz ederse gizli bilgiler sızdırılabilir. Bunu önlemek için yazarlar, merkezi sunucunun altta yatan değerleri görmeden karıştırılmış sayılar üzerinde doğrudan işlemler yapmasına izin veren bir şifreleme şeması kullanarak her hastanenin model değişikliklerini şifreliyor. Özel bir ölçeklendirme tekniği ek matematiksel “gürültüyü” kontrol altında tutuyor, böylece şifreli eğitim doğruluğu koruyor. Herhangi bir hastanenin güncellemeleri kabul edilmeden önce güçlendirilmiş dijital bir imza, gönderenin gerçek olduğunu ve güncellemelerin değiştirilmediğini doğruluyor. Kayıt, eğitim, toplama ve güncellemeye kadar tüm önemli adımlar tek bir tarafın sessizce yeniden yazamayacağı bir denetim izi sağlamak için blok zinciri benzeri bir deftere kaydediliyor.

Öğrenmenin bayatlamamasını sağlamak

Gerçek dünyadaki hastaneler sabit kalmıyor: yeni hastalıklar ortaya çıkıyor, kılavuzlar değişiyor ve hasta nüfusları kayıyor. Öğrenme sistemleri için büyük bir zorluk, yeni desenleri özümlerken öncekinin silinmesine yol açan “katastrofik unutma”dır. Yazarlar, küresel model her hastaneye geri gönderildiğinde eski bilgileri dikkatle yeni bilgilerle karıştıran sürekli‑güncelleme yöntemini tanıtıyor. Eski örnekler zamanla daha az oynatılır ama tamamen kaybolmaz; bu, her hastanenin halihazırda öğrendiklerini korurken yeni trendlere uyum sağlamasına yardımcı oluyor.

Gerçekte ne kadar iyi çalışıyor?

Çerçeve, kalp yetmezliği, inme, siroz, kronik böbrek hastalığı ve diyabeti kapsayan beş açık veri seti kullanılarak test edildi. Bu farklı görevlerde sistem yaklaşık %99 civarında tahmin doğruluğu elde etti ve mevcut bir dizi derin öğrenme ve grafik tabanlı modeli açıkça geride bıraktı. Ayrıca çeşitli siber saldırılara karşı güçlü direnç gösterdi, çok farklı veri türlerine sahip hastaneler arasında adil performans sergiledi ve iletişim veya hesaplama maliyetlerini aşırı artırmadan birçok eğitim turuna ölçeklendi.

Hastalar ve klinisyenler için anlamı

Basitçe söylemek gerekirse, bu çalışma hastanelerin hasta kayıtlarını kendi güvenlik duvarlarının arkasında tutarken ciddi klinik olaylar için son derece doğru erken uyarı araçlarını ortaklaşa oluşturabileceğini gösteriyor. Gizliliği koruyan eğitim, sağlam güvenlik kontrolleri, sürekli öğrenme ve şeffaf kayıtlamayı birleştirerek önerilen sistem, tıbbi içgörü ile veri gizliliği arasında ödün vermeden geniş hastane ağlarında gerçek zamanlı risk uyarıları ve daha kişiselleştirilmiş bakım planlarını destekleyebilir.

Atıf: Jagdeesh, K., Kanimozhi, N., Sardar, T.H. et al. Federated learning with continual update for privacy-preserving clinical event prediction across distributed hospitals using MCN-GNN. Sci Rep 16, 12608 (2026). https://doi.org/10.1038/s41598-026-40964-y

Anahtar kelimeler: federated learning, elektronik sağlık kayıtları, klinik olay tahmini, gizliliği koruyan yapay zeka, graf sinir ağları