Neues KI-Modell schützt die Privatsphäre der Patienten in EKG-Daten

Es besteht ein weit verbreiteter Irrglaube, dass Elektrokardiogramme (EKGs) lediglich Daten über die Herzaktivität enthalten. Allerdings können moderne, mit künstlicher Intelligenz (KI) ausgestattete EKGs Daten über das Geschlecht, das Alter, die Rasse und sogar die genaue Identität eines Patienten enthalten, die aus EKG-Signalen abgeleitet werden, was neue Bedenken hinsichtlich der Privatsphäre aufwirft.

Um diese Bedenken auszuräumen, haben Forscher der University of Kansas ein datenschutzerhaltendes KI-Modell namens (PP-VAE) entwickelt, um personenbezogene Daten zu schützen.

„Moderne KI-Systeme können aus EKG-Signalen sensible Merkmale ableiten, einschließlich ungefährer Altersspannen und anderer persönlicher weichbiometrischer Daten aus den Signalen“, sagte Fairuz Shadmani Shishir, Doktorand in Elektrotechnik und Informatik an der KU, der die Studie leitete. „Unser Ziel war es, eine Methode zu entwickeln, die klinisch nützliche Informationen in EKGs bewahrt und gleichzeitig die Offenlegung sensibler persönlicher Merkmale wie Alter, Geschlecht und demografische Details reduziert.“

Shishir und ein Forschungsteam des KU Medical Center beschreiben ihre neue Methode in einer aktuellen Ausgabe von Wissenschaftliche Berichte.

„Wir haben ein KI-gesteuertes Modell vorgeschlagen, das EKG-Signale analysiert, um klinisch wichtige Ergebnisse wie die linksventrikuläre Ejektionsfraktion (LVEF) vorherzusagen, die ein Indikator für Herzanomalien und das frühe Mortalitätsrisiko ist“, sagte er. „Gleichzeitig soll das Modell die Offenlegung sensibler biometrischer Informationen reduzieren, darunter Alter, Geschlecht und demografische Merkmale, die aus EKG-Signalen abgeleitet werden.“

Shishir sagte, die Forschung sei notwendig, da Unternehmen und medizinische Einrichtungen im Gesundheitssektor häufig EKGs und andere Gesundheitsinformationen organisationsübergreifend austauschen.

„Der Schutz der Privatsphäre der Patienten ist bei der Weitergabe medizinischer Daten von entscheidender Bedeutung“, sagte er. „Unser Ziel war es, den sicheren Austausch klinisch nützlicher EKG-Informationen zu ermöglichen, ohne sensible persönliche Daten unnötig preiszugeben.“

Shishir und seine Mitarbeiter vom KU Medical Center reduzierten die Identifizierbarkeit weicher biometrischer Daten mithilfe unabhängiger Faltungsmodelle für neuronale Netze und behielten gleichzeitig klinisch nützliche Vorhersagen wie linksventrikuläre Hypertrophie und Fünf-Jahres-Mortalität bei.

„Diese Ergebnisse zeigen die Wirksamkeit unseres Ansatzes zur Speicherung von EKG-Daten bei gleichzeitigem Schutz der Privatsphäre der Patienten“, schreiben die Autoren.

Zu Shishirs Co-Autoren gehörten Sumaiya Shomaji, Assistenzprofessorin am Fachbereich Elektrotechnik und Informatik an der KU; Amit Noheria, außerordentlicher Professor in der Abteilung für Herz-Kreislauf-Medizin am KU Medical Center; und Christopher Harvey und Amulya Gupta von der Abteilung für Herz-Kreislauf-Medizin am KU Medical Center.

Die Forscher argumentieren, dass ihre Methode Krankenhäusern und Forschungseinrichtungen dabei helfen könnte, EKG-Daten sicher auszutauschen und so Zusammenarbeit und KI-Entwicklung zu ermöglichen, ohne die Privatsphäre der Patienten zu beeinträchtigen.

„In unseren Experimenten haben wir die Leistung unseres Modells mit anderen hochmodernen Modellen verglichen“, sagte Shishir. „Wir haben gezeigt, dass unser Modell im Vergleich zu anderen Ansätzen des maschinellen Lernens konkurrenzfähig ist. Das Modell schneidet bei der Vorhersage von Herzerkrankungen und dem frühen Sterblichkeitsrisiko gut ab, während es weniger biometrische Informationen aus EKG-Signalen preisgibt.“

Darüber hinaus könnte die KU-Innovation dazu beitragen, Vorurteile in der medizinischen Versorgung zu reduzieren, die zu Unterdiagnose und Unterbehandlung von Randgruppen und Frauen führen können.

Voreingenommenheit ist ein wichtiges Problem, das angegangen werden muss. In unseren Modellen wollten wir ausgewogene Anteile männlicher und weiblicher Patienten sowie eine ausgewogene Vertretung weißer, nichtweißer und anderer Rassengruppen einbeziehen. Auf diese Weise haben wir versucht, Voreingenommenheit zu minimieren. Gleichzeitig wurde unser Modell mit Daten von KUMC trainiert, und obwohl wir es anhand öffentlicher Datensätze validiert haben, wird die zukünftige Arbeit das Training anhand von Datensätzen aus verschiedenen Regionen auf der ganzen Welt umfassen. Dies wird uns helfen, Verzerrungen besser zu bewerten und die Fähigkeit des Modells zu verbessern, über Populationen hinweg zu verallgemeinern.“

Sumaiya Shomaji, Assistenzprofessorin, Fakultät für Elektrotechnik und Informatik an der KU

Bevor die Technologie weit verbreitet werden kann, seien laut den Forschern der Aufbau von Vertrauen und Zugänglichkeit von entscheidender Bedeutung.

„Wir glauben, dass es zwei Hauptgründe gibt, warum Menschen es nutzen sollten“, sagte Shishir. „Erstens ist das Modell darauf ausgelegt, auf Patienten in den Vereinigten Staaten zu verallgemeinern. Zweitens planen wir, das Modell öffentlich zugänglich zu machen, damit jeder es nutzen kann. Die öffentliche Zugänglichkeit des Modells folgt gängigen Praktiken im KI-Bereich. Institutionen werden in der Lage sein, unser Modell zu verwenden und möglicherweise ihre eigenen Versionen zu erstellen, die auf ihren eigenen Datensätzen trainiert werden. Unser Ziel ist es, das Modell in Zukunft öffentlich zu veröffentlichen.“

Die Forscher dankten auch der American Heart Association für die Unterstützung dieser Arbeit.

Quellen: