2021年9月15日，英国剑桥大学科学家与来自世界各地的20家医院及医药公司联手，首次利用人工智能与机器学习技术，在全球范围内预测新冠肺炎患者的氧气需求，相关研究发表在《自然—医学》期刊上。

联邦学习（federal learning, FL）是一种使用多源数据训练人工智能模型的方法，同时可保持数据的匿名性，从而消除了许多数据共享的障碍。研究人员基于该方法，利用来自全球20家机构的数据来训练电子病历胸部X射线人工智能模型（EXAM），通过生命体征、实验室数据和胸部X光片等重要数据预测有症状的COVID-19患者未来的需氧量。经过深度学习后，该算法会将数据和分析整合在一起，构建能够预测世界各地医院COVID-19患者的氧气需求。

EXAM对急诊室初诊后24小时和72小时的预测实现了平均曲线下面积（AUC）^[]大于0.92。与使用该站点数据在单个站点上训练的模型相比，EXAM在所有参与站点上测量的平均AUC提高了16%，通用性平均增加了38%。在最大独立试验点预测24小时机械通气治疗或死亡时，EXAM的敏感性为0.950，特异性为0.882。

为了严格保护患者隐私，所有数据均为匿名，并向每家医院发送了一个算法，因此数据不会被共享或移位。

信息来源：

https://www.nature.com/articles/s41591-021-01506-3#Abs1

http://paper.sciencenet.cn/sbhtmlnews/2021/9/365467.shtm?id=365467