VALORIS: Gizliliği koruyan çoklu saha sağlık analizleri için tek seferlik ve kayıpsız dikey lojistik regresyon

Sağlık verilerini paylaşmak neden bu kadar zor?

Modern tıp giderek daha fazla kaynaktan gelen bilgilerin birleştirilmesine dayanıyor: hastane kayıtları, laboratuvar sonuçları, görüntüler ve hatta genetik veriler. Ancak bu bilgi parçaları genellikle ayrık kuruluşlarda tutulur ve bu kuruluşların ayrıntılı hasta kayıtlarını yasal veya etik nedenlerle tek bir yerde toplaması genellikle yasaktır. Bu durum, doktorların böbrek yetmezliği veya yoğun bakımda ölüm gibi ciddi sonuçlar için riski tahmin etmelerine yardımcı olan istatistiksel analizleri yürütmeyi zorlaştırır. Çalışma, her hastanın ham verilerini yerinde tutarken birden çok merkezde popüler bir analiz türünü gerçekleştirmeyi sağlayan yeni bir yöntem olan VALORIS’i tanıtıyor.

Bir hastanın hikayesinin birden fazla parçası

Zorluğu anlamak için kronik böbrek hastalığı olan ve hikâyesi farklı sistemlere dağılmış bir çocuğu düşünün. Bir hastane veri tabanı yaş, cinsiyet ve böbrek fonksiyon ölçümlerini içerir. Başka bir kayıt kan test sonuçlarını tutar. Üçüncü bir sistem uzun vadeli sonuçları, örneğin böbrek yetmezliğini izleyebilir. Her merkez aynı çocuklar hakkında farklı sütunlarda bilgi tutar; bu duruma “dikey” bölünme denir. Bu kuruluşların hiçbiri ayrıntılı kayıtlarını açığa çıkarmak istemez ve bazıları sonucu—örneğin böbrek yetmezliğinin olup olmadığı bilgisini—dışarıya verme yetkisine sahip değildir. Yine de araştırmacılar, bu dağınık bilgilerin hepsini tek bir yerdeymiş gibi kullanabilecek tek bir kestirimsel model oluşturmak isterler.

Birçok merkezden tek seferlik öğrenme yöntemi

VALORIS bu problemi, bir sonucu evet–hayır şeklinde modellemek için yaygın olarak kullanılan lojistik regresyon için ele alır. Hasta düzeyinde verileri dolaştırmak yerine her merkez kendi verisi üzerinde kompakt bir yerel hesaplama yapar ve değişkenlerin birlikte nasıl değiştiğine dair özetler çıkarır. Matrisleri andıran bu özetler bir kez, sonucu barındıran özel bir rol olan yanıt düğümüne gönderilir. Yanıt düğümü bu özetleri birleştirir, tek bir optimizasyon adımı çalıştırır ve ardından özenle oluşturulmuş ara sayıları her merkeze gönderir. Sadece bu paylaşılan nicelikleri kullanarak, her merkez kendi değişkenleri için tam regresyon sonuçlarını yeniden oluşturabilir—başka bir merkezin ham kayıtlarını veya tüm sonuç listesini görmeden.

Tüm verileri bir araya koymak kadar doğru

Standart bir analizi gizliliği koruyan bir sürümle değiştirdiğimizde temel endişe genellikle doğruluktan kayıp olup olmadığıdır. Yazarlar VALORIS’in pratik açıdan merkezi havuzlanmış analizden elde edeceğimiz yanıtlarla özdeş olacak şekilde ayarlanabileceğini gösteriyor. Bunu, alışılmış lojistik regresyon probleminin hafifçe değiştirilmiş bir versiyonunu çözerek yapıyorlar; bu versiyon çok küçük ceza terimleri içeriyor. Matematiksel argümanlar ve sayısal deneyler, bu cezalar yeterince küçük seçildiğinde ortaya çıkan tahminlerin ve hata marjlarının merkezi altın standart çözümden ayırt edilemez hale geldiğini ve bunların bölünmüş veriden hesaplanabilir olduğunu gösteriyor.

Böbrek hastalığı ve yoğun bakımda gerçek dünya testleri

Yöntemin kuramın ötesinde çalıştığını göstermek için ekip VALORIS’i iki gerçek sağlık çalışmasına uyguladı. Birinci çalışma Paris’te Necker-Enfants Malades Hastanesi’nde tedavi gören kronik böbrek hastalığı olan çocuklara odaklandı. Burada bir düğüm temel özellikleri ve iki yıl içindeki böbrek yetmezliği sonucunu tutuyordu, diğer düğüm ise kan testi sonuçlarını içeriyordu. VALORIS, her faktörün böbrek yetmezliği ile ilişkisine dair tahminleri, standart birleşik veri analizinin sonuçlarıyla ortalama olarak on binde bireden daha az farkla eşleştirdi. İkinci test, acil servis, servis ve yoğun bakım bilgilerini temsil eden üç düğüme bölünmüş, çok daha büyük MIMIC-IV yoğun bakım veri tabanını kullandı. Yine, VALORIS merkezi sonuçları neredeyse tam olarak yeniden üretti; bu, on binin üzerinde hasta ve çok sayıda değişken olsa bile geçerliydi.

Gizliliği sözüyle değil, yapıyla inşa etmek

Birçok sözde “gizliliği koruyan” yöntem yalnızca ham kayıtların gönderilmemesini sağlar, ancak kararlı bir ortak için yine de bireylerin verilerini yeniden oluşturacak kadar bilgi sızdırabilir. Bu nedenle yazarlar daha güçlü bir gereklilik öne sürüyor: tüm mesajlaşma tamamlandıktan sonra hiçbir taraf gördüklerinden bir kişinin verilerini benzersiz şekilde geri çıkarabilmemeli. VALORIS sırasında her merkezin adım adım ne aldığı analiz edilip, gerçekçi koşullar altında—örneğin herhangi bir potansiyel saldırgandan farklı bir yerde en az bir sürekli sayısal değişken bulunması gibi—aynı paylaşılan sayıları üretebilecek birçok farklı altındaki veri setinin daima var olduğu kanıtlanıyor. Ayrıca yanıt düğümünün bir projeyi paylaşmadan önce çalıştırabileceği, optimizasyona dayalı pratik bir kontrol sunuyorlar; böylece bu daha güçlü koruma düzeyinin söz konusu proje için sağlandığı doğrulanabiliyor.

Gelecek sağlık çalışmaları için bunun anlamı

Basitçe söylemek gerekirse, VALORIS hastaneler ve araştırma ağlarının güçlü gizlilik ile yüksek kaliteli sonuçlar arasında her zaman seçim yapmak zorunda olmadıklarını gösteriyor. Lojistik regresyon için, detaylı kayıtlarını kendi güvenlik duvarlarının arkasında tutabilirler, tek bir iletişim turunda yalnızca sınırlı özetleri değiş tokuş edebilirler ve geleneksel havuzlanmış analizden elde edilen sonuçlarla pratikte özdeş sonuçları hâlâ elde edebilirler. Bu, yoğun klinik ortakların katılımını kolaylaştırır, veri paylaşımıyla ilgili onay engellerini azaltır ve klinik, laboratuvar ve diğer veri kaynaklarını birleştiren büyük ölçekli çalışmalara kapı açar. Yazarlar benzer fikirlerin diğer modellere ve eksik verilerin bulunduğu ortamlara genişletilebileceğini öne sürüyor; böylece geleceğin sağlık araştırmaları hasta gizliliğine saygı gösterirken birlikte çalışmanın getirdiği istatistiksel gücü de elde edebilir.

Atıf: Camirand Lemyre, F., Domingue, MP., Morissette, JP. et al. VALORIS: One-shot and lossless vertical logistic regression for privacy-protecting multi-site health analytics. Sci Rep 16, 12558 (2026). https://doi.org/10.1038/s41598-026-41936-y

Anahtar kelimeler: gizliliği koruyan sağlık analitiği, dağıtık lojistik regresyon, çok merkezli tıbbi veri, federe istatistiksel modelleme, elektronik sağlık kayıtları