Voorspellende, preventieve, gepersonaliseerde en participatieve geneeskunde, beter bekend als P4, is de gezondheidszorg van de toekomst. Om de acceptatie ervan te versnellen en het potentieel ervan te maximaliseren, moeten klinische gegevens over grote aantallen individuen efficiënt worden gedeeld met alle belanghebbenden. Het is echter moeilijk om gegevens te verzamelen. Het is geïsoleerd in individuele ziekenhuizen, medische praktijken en klinieken over de hele wereld. Privacyrisico’s als gevolg van openbaarmaking van medische gegevens zijn ook een ernstig punt van zorg, en zonder effectieve privacybeschermende technieken is het een belemmering geworden voor de ontwikkeling van P4-geneeskunde.
Bestaande benaderingen bieden ofwel beperkte bescherming van de privacy van patiënten door instellingen te verplichten tussentijdse resultaten te delen, waardoor gevoelige informatie op patiëntniveau kan lekken, ofwel de nauwkeurigheid van resultaten opofferen door ruis aan de gegevens toe te voegen om mogelijke lekkage te verminderen.
Nu, onderzoekers van EPFL Lab voor gegevensbeveiliging, werken met collega’s in Universitair Ziekenhuis Lausanne (CHUV), met CSAIL, en de breed instituut Vanuit MIT en Harvard ontwikkelden ze “FAMHE”. Dit uniforme analysesysteem stelt verschillende zorgaanbieders in staat statistische analyses uit te voeren en gezamenlijk machine learning-modellen te ontwikkelen, allemaal zonder onderliggende datasets uit te wisselen. FAHME bereikt het perfecte punt tussen gegevensbescherming, nauwkeurigheid van onderzoeksresultaten en pragmatische rekentijd – drie cruciale dimensies in biomedisch onderzoek.
in een papier Het onderzoeksteam, gepubliceerd in Nature Communications op 11 oktober, zegt dat een fundamenteel verschil tussen FAMHE en andere benaderingen die proberen de uitdagingen op het gebied van privacy en nauwkeurigheid te overwinnen, is dat FAMHE op schaal werkt en waarvan is aangetoond dat het wiskundig veilig is, wat een must is vanwege de gevoeligheid van de gegevens.
In twee typische publicaties reproduceerde FAMHE nauwgezet en efficiënt twee gepubliceerde, multicentrische onderzoeken die waren gebaseerd op datacentrische en gedetailleerde juridische contracten voor datacentrische studies, waaronder Kaplan-Meier-overlevingsanalyse in oncologie en genoombrede associatiestudies in medische genetica. Met andere woorden, ze toonden aan dat dezelfde wetenschappelijke resultaten hadden kunnen worden bereikt, zelfs als de datasets niet waren verplaatst en gecentreerd.
“Tot op heden heeft niemand studies kunnen reproduceren die aantonen dat gestandaardiseerde analyses op grote schaal werken. Onze resultaten zijn nauwkeurig en verkregen met een redelijke rekentijd. FAMHE gebruikt multilaterale codering, wat de mogelijkheid is om berekeningen uit te voeren op gegevens in versleutelde vorm over verschillende bronnen, zonder gegevens te centraliseren en zonder dat een partij gegevens van derden ziet.
EPFL Senior Investigator Dr. Juan Troncoso-Pastoriza voegt toe: “Deze technologie zal niet alleen een revolutie teweegbrengen in klinische onderzoeksstudies op meerdere locaties, maar het zal ook samenwerking rond gevoelige gegevens op veel verschillende gebieden, zoals verzekeringen, financiële diensten en cyberdefensie, mogelijk maken en mogelijk maken. anderen andere”. .
De privacy van patiëntgegevens is een van de belangrijkste aandachtspunten van het Universitair Ziekenhuis van Lausanne. De meeste patiënten delen hun gezondheidsgegevens graag met het oog op de vooruitgang van wetenschap en geneeskunde, maar het is essentieel om de vertrouwelijkheid van deze gevoelige informatie te waarborgen. FAMHE maakt veilig collaboratief onderzoek van patiëntgegevens mogelijk op een ongekende schaal”, zegt professor Jacques Fellay van de CHUV Precision Medicine Unit.
“Dit is een game-changer naar gepersonaliseerde geneeskunde, want zolang dit soort oplossingen niet bestaat, is het alternatief om bilaterale overeenkomsten op te zetten om gegevens over te dragen en te gebruiken, maar ze zijn ad hoc en vergen maandenlange discussie om ervoor te zorgen dat dat gegevens goed worden beschermd wanneer dit gebeurt. FAHME biedt een oplossing die het definitief mogelijk maakt om het eens te worden over de toolbox die zal worden gebruikt en vervolgens zal worden ingezet “, zegt professor Bonnie Berger van MIT, CSAIL en Broad.
“Dit werk legt een belangrijke basis waarop gestandaardiseerde leeralgoritmen voor een reeks biomedische studies op een schaalbare manier kunnen worden gebouwd. Het is opwindend om na te denken over de mogelijke toekomstige ontwikkelingen van de tools en workflows die dit systeem mogelijk maakt om de diverse analytische behoeften in de biogeneeskunde”, zegt Dr. Hyunghoon Cho van het Broad Institute.
Dus hoe snel en hoe ver verwachten onderzoekers dat deze nieuwe oplossing zich zal verspreiden? “We zijn in vergevorderde gesprekken met partners in Texas, Nederland en Italië om FAMHE op grote schaal te verspreiden. We willen dat dit wordt opgenomen in de routinematige processen van medisch onderzoek”, zegt CHUV Dr. Jean-Louis Raisaro, een van de hoofdonderzoekers onderzoekers.
Korte uitlegvideo: https://youtu.be/DjeX7Fp0vl4
David Frolicher en Juan R. Troncoso Pastorizza, Jean-Louis Raysaro en Michel A. Quendit, Joao Sa Souza, Hyunjun Cho, Bonnie Berger, Jacques Fellay en Jean-Pierre Hobbocks. Uniforme analyses beschermen echt de privacy voor precisiegeneeskunde met multilaterale symmetrische cryptografie. Natuurcommunicatie 11 oktober 2021
https://doi.org/10.1038/s41467-021-25972-y
“Denker. Liefhebber van eten. Woedend bescheiden musicaholic. Levenslange ontdekkingsreiziger. Twitter-liefhebber. Professionele student.”