Sicheres Herz‑Kreislauf‑Risiko: Federated Learning mit Differential Privacy

Die präzise Vorhersage von Herz‑Kreislauf‑Risiken ist ein entscheidender Faktor für die präventive Gesundheitsversorgung. In der Praxis erschwert die fragmentierte Verteilung klinischer Daten über verschiedene Einrichtungen hinweg – verstärkt durch strenge Datenschutzbestimmungen – die Entwicklung robuster KI‑Modelle.

In dieser Studie wird FedCVR vorgestellt, ein federiertes Lernframework, das speziell für heterogene klinische Netzwerke entwickelt wurde und Datenschutz durch Differential Privacy (DP) gewährleistet. Anstatt neue theoretische Optimierer zu erarbeiten, konzentriert sich die Arbeit auf eine detaillierte Systemanalyse, um die operativen Kompromisse von serverseitiger adaptiver Optimierung unter einem nutzerzentrierten DP‑Budget zu quantifizieren.

Die Leistungsfähigkeit von FedCVR wurde in einer hochpräzisen synthetischen Umgebung getestet, die anhand realer Datensätze wie Framingham und Cleveland kalibriert wurde. Durch diesen rigorosen Stresstest konnte die Robustheit des Systems gegenüber statistischem Rauschen systematisch bewertet werden.

Die Ergebnisse zeigen, dass die Integration von serverseitigem Momentum als zeitlicher Rauschunterdrücker die Architektur stabilisiert und einen F1‑Score von 0,84 sowie eine AUC von 0,96 erreicht – beides signifikant besser als bei stateless‑Baseline‑Modellen. Diese Zahlen belegen, dass serverseitige Adaptivität ein strukturelles Muss ist, um klinische Nützlichkeit bei realistischen Datenschutzbudgets zu sichern.

Die Studie liefert damit ein validiertes Engineering‑Blueprint für sichere, mehrinstitutionelle Zusammenarbeit und demonstriert, wie federiertes Lernen mit Differential Privacy in der Praxis erfolgreich eingesetzt werden kann.