FairFML: fair federated machine learning with a case study on reducing gender disparities in cardiac arrest outcome prediction
Rattachement africain : sg, us, jp. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Health equity is a critical concern in clinical research and practice, as biased predictive models can exacerbate disparities in clinical decision-making and patient outcomes. As healthcare systems increasingly rely on data-driven models, ensuring fairness in these systems is essential to prevent perpetuating existing disparities. While large-scale healthcare data exists across multiple institutions, cross-institutional collaborations often face privacy constraints, highlighting the need for privacy-preserving solutions that also promote fairness. We present Fair Federated Machine Learning (FairFML), a model-agnostic solution designed to reduce algorithmic bias in cross-institutional healthcare collaborations while preserving patient privacy. Validated through a real-world case study on reducing gender disparities in cardiac arrest outcome prediction, FairFML improved fairness metrics by up to 90% without compromising predictive performance. FairFML is flexible and compatible with various FL frameworks and models, from traditional statistical methods to deep learning, offering a robust and scalable solution for equitable model development in clinical settings.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- FairFML: fair federated machine learning with a case study on reducing gender disparities in cardiac arrest outcome prediction
- Date Crossref
- 12/08/2025
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Duke-NUS Medical School pays non établi dans la noticeUniversité ou école supérieure
-
National University of Singapore Department of Statistics and Data Science pays non établi dans la noticeUniversité ou école supérieure
-
Duke University Department of Biostatistics and Bioinformatics pays non établi dans la noticeUniversité ou école supérieure
-
Kyoto University pays non établi dans la noticeUniversité ou école supérieure
-
SingHealth pays non établi dans la noticeÉtablissement de santé
-
Singapore General Hospital Department of Emergency Medicine pays non établi dans la noticeÉtablissement de santé
-
Centre for Quantitative Medicine pays non établi dans la noticeInstitution
-
Graduate School of Medicine Department of Preventive Services pays non établi dans la noticeUniversité ou école supérieure
-
Programme in Health Services and Systems Research pays non établi dans la noticeInstitution
-
Health Services Research Centre pays non établi dans la noticeStructure de recherche
Duke-NUS Medical School, Department of Statistics and Data Science — National University of Singapore et Department of Biostatistics and Bioinformatics — Duke University, avec 7 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.