SurvMaximin: Robust federated approach to transporting survival risk prediction models - Archive ouverte HAL
Article Dans Une Revue Journal of Biomedical Informatics Année : 2022

SurvMaximin: Robust federated approach to transporting survival risk prediction models

Xuan Wang
  • Fonction : Auteur
Harrison G. Zhang
  • Fonction : Auteur
Xin Xiong
  • Fonction : Auteur
Chuan Hong
  • Fonction : Auteur
Griffin M. Weber
  • Fonction : Auteur
Gabriel A. Brat
  • Fonction : Auteur
Clara-Lea Bonzel
  • Fonction : Auteur
Yuan Luo
  • Fonction : Auteur
Rui Duan
  • Fonction : Auteur
Nathan P. Palmer
  • Fonction : Auteur
Meghan R. Hutch
  • Fonction : Auteur
Alba Gutierrez-Sacristan
  • Fonction : Auteur
Riccardo Bellazzi
  • Fonction : Auteur
Luca Chiovato
  • Fonction : Auteur
Kelly Cho
  • Fonction : Auteur
Arianna Dagliati
  • Fonction : Auteur
Hossein Estiri
  • Fonction : Auteur
Noelia Garcia-Barrio
  • Fonction : Auteur
Romain Griffier
  • Fonction : Auteur
Bordeaux population health
David A. Hanauer
  • Fonction : Auteur
Yuk-Lam Ho
  • Fonction : Auteur
John H. Holmes
  • Fonction : Auteur
Mark S. Keller
  • Fonction : Auteur
Jeffrey G. Klann Meng
  • Fonction : Auteur
Sehi l'Yi
  • Fonction : Auteur
Sara Lozano-Zahonero
  • Fonction : Auteur
Sarah E. Maidlow
  • Fonction : Auteur
Adeline Makoudjou
  • Fonction : Auteur
Alberto Malovini
  • Fonction : Auteur
Bertrand Moal
  • Fonction : Auteur
Jason H. Moore
  • Fonction : Auteur
Michele Morris
  • Fonction : Auteur
Danielle L. Mowery
  • Fonction : Auteur
Shawn N. Murphy
  • Fonction : Auteur
Antoine Neuraz
Kee Yuan Ngiam
  • Fonction : Auteur
Gilbert S. Omenn
  • Fonction : Auteur
Lav P. Patel
  • Fonction : Auteur
Miguel Pedrera-Jimenez
  • Fonction : Auteur
Andrea Prunotto
  • Fonction : Auteur
Malarkodi Jebathilagam Samayamuthu
  • Fonction : Auteur
Fernando J. Sanz Vidorreta
  • Fonction : Auteur
Emily R. Schriver
  • Fonction : Auteur
Petra Schubert
  • Fonction : Auteur
Pablo Serrano-Balazote
  • Fonction : Auteur
Andrew M. South
  • Fonction : Auteur
Amelia L. M. Tan
  • Fonction : Auteur
Byorn W. L. Tan
  • Fonction : Auteur
Valentina Tibollo
  • Fonction : Auteur
Patric Tippmann
  • Fonction : Auteur
Shyam Visweswaran
  • Fonction : Auteur
Zongqi Xia
  • Fonction : Auteur
William Yuan
  • Fonction : Auteur
Daniela Zoller
  • Fonction : Auteur
Isaac S. Kohane
  • Fonction : Auteur
Paul Avillach
  • Fonction : Auteur
Zijian Guo
  • Fonction : Auteur
Tianxi Cai
  • Fonction : Auteur

Résumé

OBJECTIVE: For multi-center heterogeneous Real-World Data (RWD) with time-to-event outcomes and high-dimensional features, we propose the SurvMaximin algorithm to estimate Cox model feature coefficients for a target population by borrowing summary information from a set of health care centers without sharing patient-level information. MATERIALS AND METHODS: For each of the centers from which we want to borrow information to improve the prediction performance for the target population, a penalized Cox model is fitted to estimate feature coefficients for the center. Using estimated feature coefficients and the covariance matrix of the target population, we then obtain a SurvMaximin estimated set of feature coefficients for the target population. The target population can be an entire cohort comprised of all centers, corresponding to federated learning, or a single center, corresponding to transfer learning. RESULTS: Simulation studies and a real-world international electronic health records application study, with 15 participating health care centers across three countries (France, Germany, and the U.S.), show that the proposed SurvMaximin algorithm achieves comparable or higher accuracy compared with the estimator using only the information of the target site and other existing methods. The SurvMaximin estimator is robust to variations in sample sizes and estimated feature coefficients between centers, which amounts to significantly improved estimates for target sites with fewer observations. CONCLUSIONS: The SurvMaximin method is well suited for both federated and transfer learning in the high-dimensional survival analysis setting. SurvMaximin only requires a one-time summary information exchange from participating centers. Estimated regression vectors can be very heterogeneous. SurvMaximin provides robust Cox feature coefficient estimates without outcome information in the target population and is privacy-preserving.

Domaines

Santé publique et épidémiologie

Oskar Admin  : Connectez-vous pour contacter le contributeur

https://hal.science/hal-03834307

Soumis le : samedi 29 octobre 2022-12:20:16

Dernière modification le : dimanche 30 octobre 2022-03:44:53

Consulter le texte intégral

Dates et versions

hal-03834307 , version 1 (29-10-2022)

Identifiants

Citer

Xuan Wang, Harrison G. Zhang, Xin Xiong, Chuan Hong, Griffin M. Weber, et al.. SurvMaximin: Robust federated approach to transporting survival risk prediction models. Journal of Biomedical Informatics, 2022, 134, ⟨10.1016/j.jbi.2022.104176⟩. ⟨hal-03834307⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

U1219
26 Consultations
0 Téléchargements

Altmetric

Partager

More