D3MI: an efficient and powerful federated imputation method for bias reduction in the analysis of distributed incomplete data by accounting for within-site correlation and between-site heterogeneity.

چکیده اصلی

BACKGROUND: Electronic health records (EHRs) collected from diverse healthcare institutions offer a rich and representative data source for clinical research. Federated learning enables analysis of these distributed data without sharing sensitive patient-level information, preserving privacy. However, missing data remain a major challenge and can introduce substantial bias if not properly addressed. Very few distributed imputation methods currently exist, and they fail to account for two critical aspects of EHR data: correlation within sites and variability across sites. We aim to fill this important methodological gap. METHODS: We propose Distributed Mixed Model-based Multiple Imputation (D3MI), a novel federated imputation method designed to reduce bias in distributed EHRs. D3MI integrates the strengths from federated learning techniques, statistical learning methods for correlated data, and multilevel imputation algorithms to explicitly account for both within-site correlation and between-site heterogeneity using site-specific random effects. It operates under the Missing at Random (MAR) assumption. It preserves privacy by avoiding sharing raw data and features communication and computational efficiency. RESULTS: Through extensive simulation studies, we demonstrate that D3MI outperforms SOTA distributed imputation methods in both accuracy and consistency. We further demonstrate the use of D3MI in a real-world EHR case study involving incomplete and clustered data from participating hospitals in the Georgia Coverdell Acute Stroke Registry. CONCLUSION: By explicitly modeling the complex structure of distributed EHR data, D3MI addresses key limitations of existing approaches. It provides a powerful and efficient solution for handling missing data in distributed and privacy-sensitive settings and enhances the rigor and reproducibility of collaborative clinical research.

ترجمه فارسی چکیده

داده‌های ثبت‌های سلامت الکترونیک (EHR) که از نهادهای مراقبت‌های بهداشتی متنوع جمع‌آوری شده‌اند، منبع غنی و نماینده‌ای برای تحقیقات بالینی فراهم می‌کنند. یادگیری فدرال امکان تحلیل این داده‌های توزیع‌شده را بدون به اشتراک گذاشتن اطلاعات حساس بیمار-سطحی، حفظ حریم خصوصی را ممکن می‌سازد. با این حال، داده‌های گمشده چالش اصلی باقی مانده و می‌توانند سوگیری قابل توجهی ایجاد کنند اگر به درستی مدیریت نشوند. تعداد بسیار کمی از روش‌های جایگزینی توزیع‌شده وجود دارد و آنها نمی‌توانند دو جنبه حیاتی داده‌های EHR را در نظر بگیرند: همبستگی درون‌سایتی و تنوع بین‌سایتی. ما قصد داریم این شکاف روش‌شناختی مهم را پر کنیم. ما Distributed Mixed Model-based Multiple Imputation (D3MI) را که یک روش جایگزینی فدرال نوآورانه برای کاهش سوگیری در EHRهای توزیع‌شده است، پیشنهاد می‌کنیم. D3MI نقاط قوت تکنیک‌های یادگیری فدرال، روش‌های یادگیری آماری برای داده‌های همبسته و الگوریتم‌های جایگزینی چندسطحی را برای در نظر گرفتن صریح همبستگی درون‌سایتی و ناهمگونی بین‌سایتی با استفاده از اثرات تصادفی مخصوص هر سایت ادغام می‌کند. این روش تحت فرض Missing at Random (MAR) عمل می‌کند. این روش با جلوگیری از به اشتراک گذاشتن داده‌های خام، حریم خصوصی را حفظ کرده و کارایی ارتباطی و محاسباتی را ارتقا می‌دهد. از طریق مطالعات شبیه‌سازی گسترده، ما نشان می‌دهیم که D3MI در دقت و ثبات بر روش‌های جایگزینی توزیع‌شده پیشرو (SOTA) برتری دارد. ما همچنین استفاده از D3MI را در یک مطالعه موردی واقعی EHR شامل داده‌های ناقص و خوشه‌ای از بیمارستان‌های مشارکت‌کننده در ثبت حاد سکته Georgia Coverdell نشان می‌دهیم. با مدل‌سازی صریح ساختار پیچیده داده‌های EHR توزیع‌شده، D3MI محدودیت‌های کلیدی رویکردهای موجود را برطرف می‌کند. این یک راه‌حل قدرتمند و کارآمد برای مدیریت داده‌های گمشده در محیط‌های توزیع‌شده و حساس به حریم خصوصی فراهم می‌آورد و رئوس‌وجود و تکرارپذیری تحقیقات بالینی همکاری‌محور را ارتقا می‌دهد.

متن کامل اصلی