Federated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals services
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
Texto Completo: | http://repositorio.jesuita.org.br/handle/UNISINOS/12803 |
Resumo: | A integração de serviços de inteligência artificial e aprendizado de máquina na área da saúde revolucionou o atendimento ao paciente, abrangendo desde o monitoramento de saúde em tempo real até a análise complexa de imagens médicas. No entanto, a implementação desses serviços de aprendizado de máquina no contexto de hospitais inteligentes apresenta desafios significativos devido às diversas demandas de dados e preocupações com a privacidade. O Aprendizado Federado emerge como uma solução promissora, permitindo que os dados permaneçam com os usuários enquanto os modelos de aprendizado de máquina são treinados de forma colaborativa. O aprendizado federado garante a privacidade dos dados e oferece escalabilidade ao possibilitar o aprendizado distribuído entre vários usuários. Nesta pesquisa, estendemos o paradigma do aprendizado federado para o domínio dos hospitais inteligentes e propomos o modelo "Hospital Federado"para enfrentar os desafios decorrentes da heterogeneidade entre diferentes departamentos hospitalares. Através da agregação em vários níveis, a arquitetura do Hospital Federado é projetada para acomodar as diversas demandas e situações de saúde dentro de cada departamento individual, fornecendo modelos de aprendizado de máquina personalizados e precisos para cada usuário. Por meio de experimentação extensa e avaliação em cenários distintos, incluindo distribuições de dados homogêneas e heterogêneas, comparamos o desempenho do modelo do Hospital Federado em relação às abordagens padrão de aprendizado de máquina e aprendizado federado. Os resultados confirmam a eficácia de nossa proposta em termos de precisão, eficiência e velocidade de convergência. Além disso, o processo de agregação em vários níveis na arquitetura do hospital inteligente aprimora o desempenho do modelo, garantindo a geração de modelos de aprendizado de máquina personalizados específicos para as características únicas de cada departamento. O modelo do Hospital Federado demonstra seu potencial para melhorar a execução de serviços orientados por aprendizado de máquina em hospitais inteligentes. Ao otimizar a precisão e o desempenho dos modelos de aprendizado de máquina para diversos departamentos de saúde, nossa proposta visa revolucionar a tomada de decisões baseada em dados, promovendo o atendimento personalizado ao paciente e serviços de saúde eficientes. O próximo passo desta pesquisa é implementar o Hospital Federado em hospitais reais na região metropolitana de Porto Alegre, Rio Grande do Sul. |
id |
USIN_f0fc133e64552c6b0411e86c0dc5ae92 |
---|---|
oai_identifier_str |
oai:www.repositorio.jesuita.org.br:UNISINOS/12803 |
network_acronym_str |
USIN |
network_name_str |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
repository_id_str |
|
spelling |
2023-11-08T13:03:25Z2023-11-08T13:03:25Z2023-08-10Submitted by Jeferson Carlos da Veiga Rodrigues (jveigar@unisinos.br) on 2023-11-08T13:03:25Z No. of bitstreams: 1 Lucas Micol Policarpo_PROTEGIDO.pdf: 1310687 bytes, checksum: 652d4f112dffbfe83134388a8193cc3f (MD5)Made available in DSpace on 2023-11-08T13:03:25Z (GMT). No. of bitstreams: 1 Lucas Micol Policarpo_PROTEGIDO.pdf: 1310687 bytes, checksum: 652d4f112dffbfe83134388a8193cc3f (MD5) Previous issue date: 2023-08-10A integração de serviços de inteligência artificial e aprendizado de máquina na área da saúde revolucionou o atendimento ao paciente, abrangendo desde o monitoramento de saúde em tempo real até a análise complexa de imagens médicas. No entanto, a implementação desses serviços de aprendizado de máquina no contexto de hospitais inteligentes apresenta desafios significativos devido às diversas demandas de dados e preocupações com a privacidade. O Aprendizado Federado emerge como uma solução promissora, permitindo que os dados permaneçam com os usuários enquanto os modelos de aprendizado de máquina são treinados de forma colaborativa. O aprendizado federado garante a privacidade dos dados e oferece escalabilidade ao possibilitar o aprendizado distribuído entre vários usuários. Nesta pesquisa, estendemos o paradigma do aprendizado federado para o domínio dos hospitais inteligentes e propomos o modelo "Hospital Federado"para enfrentar os desafios decorrentes da heterogeneidade entre diferentes departamentos hospitalares. Através da agregação em vários níveis, a arquitetura do Hospital Federado é projetada para acomodar as diversas demandas e situações de saúde dentro de cada departamento individual, fornecendo modelos de aprendizado de máquina personalizados e precisos para cada usuário. Por meio de experimentação extensa e avaliação em cenários distintos, incluindo distribuições de dados homogêneas e heterogêneas, comparamos o desempenho do modelo do Hospital Federado em relação às abordagens padrão de aprendizado de máquina e aprendizado federado. Os resultados confirmam a eficácia de nossa proposta em termos de precisão, eficiência e velocidade de convergência. Além disso, o processo de agregação em vários níveis na arquitetura do hospital inteligente aprimora o desempenho do modelo, garantindo a geração de modelos de aprendizado de máquina personalizados específicos para as características únicas de cada departamento. O modelo do Hospital Federado demonstra seu potencial para melhorar a execução de serviços orientados por aprendizado de máquina em hospitais inteligentes. Ao otimizar a precisão e o desempenho dos modelos de aprendizado de máquina para diversos departamentos de saúde, nossa proposta visa revolucionar a tomada de decisões baseada em dados, promovendo o atendimento personalizado ao paciente e serviços de saúde eficientes. O próximo passo desta pesquisa é implementar o Hospital Federado em hospitais reais na região metropolitana de Porto Alegre, Rio Grande do Sul.The integration of artificial intelligence (AI) and machine learning (ML) services in healthcare has revolutionized patient care, ranging from real-time health monitoring to complex medical image analysis. However, deploying these ML services in the context of smart hospitals poses significant challenges due to varying data demands and privacy concerns. Federated Learning (FL) emerges as a promising solution by allowing data to remain with users while training ML models collaboratively. FL ensures data privacy and offers scalability by enabling distributed learning across multiple users. In this research, we extend the FL paradigm to the domain of smart hospitals and propose the "Federated Hospital" model to address the challenges posed by heterogeneity among diferente hospital departments. By leveraging multi-level aggregation, the Federated Hospital architecture is designed to accommodate the diverse demands and health situations within individual departments, providing personalized and accurate ML models for each user. Through extensive experimentation and evaluation in distinct scenarios, including homogeneous and heterogeneous data distributions, we compare the performance of the Federated Hospital model against standard ML and FL approaches. The results confirm the effectiveness of our proposal in terms of accuracy, efficiency, and convergence speed. Moreover, the multi-level aggregation process in the smart hospital architecture enhances model performance, ensuring the generation of tailored ML models specific to each department’s unique characteristics. The Federated Hospital model demonstrates its potential to improve the execution of MLoriented services in smart hospitals. By optimizing the accuracy and performance of ML models for diverse healthcare departments, our proposal aims to revolutionize data-driven decisionmaking, promoting personalized patient care and efficient healthcare services. The next step of this research is to execute Federated Hospital in real hospitals in the metropolitan area of Porto Alegre, Rio Grande do Sul.NenhumaPolicarpo, Lucas Micolhttp://lattes.cnpq.br/5817802766113287http://lattes.cnpq.br/2332604239081900Righi, Rodrigo da RosaUniversidade do Vale do Rio dos SinosPrograma de Pós-Graduação em Computação AplicadaUnisinosBrasilEscola PolitécnicaFederated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals servicesACCNPQ::Ciências Exatas e da Terra::Ciência da ComputaçãoAprendizado federadohospitais inteligentesDistribuição de dados desbalanceadaFederated learningSmart hospitalUnbalance data distributioninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://repositorio.jesuita.org.br/handle/UNISINOS/12803info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)instname:Universidade do Vale do Rio dos Sinos (UNISINOS)instacron:UNISINOSLICENSElicense.txtlicense.txttext/plain; charset=utf-82175http://repositorio.jesuita.org.br/bitstream/UNISINOS/12803/2/license.txt320e21f23402402ac4988605e1edd177MD52ORIGINALLucas Micol Policarpo_PROTEGIDO.pdfLucas Micol Policarpo_PROTEGIDO.pdfapplication/pdf1310687http://repositorio.jesuita.org.br/bitstream/UNISINOS/12803/1/Lucas+Micol+Policarpo_PROTEGIDO.pdf652d4f112dffbfe83134388a8193cc3fMD51UNISINOS/128032023-11-08 10:04:17.822oai:www.repositorio.jesuita.org.br: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 Digital de Teses e Dissertaçõeshttp://www.repositorio.jesuita.org.br/oai/requestopendoar:2023-11-08T13:04:17Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) - Universidade do Vale do Rio dos Sinos (UNISINOS)false |
dc.title.pt_BR.fl_str_mv |
Federated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals services |
title |
Federated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals services |
spellingShingle |
Federated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals services Policarpo, Lucas Micol ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação Aprendizado federado hospitais inteligentes Distribuição de dados desbalanceada Federated learning Smart hospital Unbalance data distribution |
title_short |
Federated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals services |
title_full |
Federated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals services |
title_fullStr |
Federated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals services |
title_full_unstemmed |
Federated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals services |
title_sort |
Federated hospital: a multilevel federated learning architecture for dealing with heterogeneous data distribution in the context of smart hospitals services |
author |
Policarpo, Lucas Micol |
author_facet |
Policarpo, Lucas Micol |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/5817802766113287 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2332604239081900 |
dc.contributor.author.fl_str_mv |
Policarpo, Lucas Micol |
dc.contributor.advisor1.fl_str_mv |
Righi, Rodrigo da Rosa |
contributor_str_mv |
Righi, Rodrigo da Rosa |
dc.subject.cnpq.fl_str_mv |
ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação |
topic |
ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação Aprendizado federado hospitais inteligentes Distribuição de dados desbalanceada Federated learning Smart hospital Unbalance data distribution |
dc.subject.por.fl_str_mv |
Aprendizado federado hospitais inteligentes Distribuição de dados desbalanceada |
dc.subject.eng.fl_str_mv |
Federated learning Smart hospital Unbalance data distribution |
description |
A integração de serviços de inteligência artificial e aprendizado de máquina na área da saúde revolucionou o atendimento ao paciente, abrangendo desde o monitoramento de saúde em tempo real até a análise complexa de imagens médicas. No entanto, a implementação desses serviços de aprendizado de máquina no contexto de hospitais inteligentes apresenta desafios significativos devido às diversas demandas de dados e preocupações com a privacidade. O Aprendizado Federado emerge como uma solução promissora, permitindo que os dados permaneçam com os usuários enquanto os modelos de aprendizado de máquina são treinados de forma colaborativa. O aprendizado federado garante a privacidade dos dados e oferece escalabilidade ao possibilitar o aprendizado distribuído entre vários usuários. Nesta pesquisa, estendemos o paradigma do aprendizado federado para o domínio dos hospitais inteligentes e propomos o modelo "Hospital Federado"para enfrentar os desafios decorrentes da heterogeneidade entre diferentes departamentos hospitalares. Através da agregação em vários níveis, a arquitetura do Hospital Federado é projetada para acomodar as diversas demandas e situações de saúde dentro de cada departamento individual, fornecendo modelos de aprendizado de máquina personalizados e precisos para cada usuário. Por meio de experimentação extensa e avaliação em cenários distintos, incluindo distribuições de dados homogêneas e heterogêneas, comparamos o desempenho do modelo do Hospital Federado em relação às abordagens padrão de aprendizado de máquina e aprendizado federado. Os resultados confirmam a eficácia de nossa proposta em termos de precisão, eficiência e velocidade de convergência. Além disso, o processo de agregação em vários níveis na arquitetura do hospital inteligente aprimora o desempenho do modelo, garantindo a geração de modelos de aprendizado de máquina personalizados específicos para as características únicas de cada departamento. O modelo do Hospital Federado demonstra seu potencial para melhorar a execução de serviços orientados por aprendizado de máquina em hospitais inteligentes. Ao otimizar a precisão e o desempenho dos modelos de aprendizado de máquina para diversos departamentos de saúde, nossa proposta visa revolucionar a tomada de decisões baseada em dados, promovendo o atendimento personalizado ao paciente e serviços de saúde eficientes. O próximo passo desta pesquisa é implementar o Hospital Federado em hospitais reais na região metropolitana de Porto Alegre, Rio Grande do Sul. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-11-08T13:03:25Z |
dc.date.available.fl_str_mv |
2023-11-08T13:03:25Z |
dc.date.issued.fl_str_mv |
2023-08-10 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://repositorio.jesuita.org.br/handle/UNISINOS/12803 |
url |
http://repositorio.jesuita.org.br/handle/UNISINOS/12803 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade do Vale do Rio dos Sinos |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Computação Aplicada |
dc.publisher.initials.fl_str_mv |
Unisinos |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola Politécnica |
publisher.none.fl_str_mv |
Universidade do Vale do Rio dos Sinos |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) instname:Universidade do Vale do Rio dos Sinos (UNISINOS) instacron:UNISINOS |
instname_str |
Universidade do Vale do Rio dos Sinos (UNISINOS) |
instacron_str |
UNISINOS |
institution |
UNISINOS |
reponame_str |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
collection |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
bitstream.url.fl_str_mv |
http://repositorio.jesuita.org.br/bitstream/UNISINOS/12803/2/license.txt http://repositorio.jesuita.org.br/bitstream/UNISINOS/12803/1/Lucas+Micol+Policarpo_PROTEGIDO.pdf |
bitstream.checksum.fl_str_mv |
320e21f23402402ac4988605e1edd177 652d4f112dffbfe83134388a8193cc3f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) - Universidade do Vale do Rio dos Sinos (UNISINOS) |
repository.mail.fl_str_mv |
|
_version_ |
1801845097261694976 |