Federated Learning Berbasis Privasi untuk Prediksi Tingkat Keparahan COVID-19 Multi-Rumah Sakit

Abstract

Pandemi COVID-19 menuntut klasifikasi tingkat keparahan yang akurat di berbagai rumah sakit, namun peraturan privasi data (HIPAA, GDPR, dan Undang-Undang PDP Indonesia) melarang pembagian data pasien mentah. Selain itu, data klinis antar rumah sakit secara alami bersifat non-IID. Penelitian ini mengusulkan kerangka kerja federated learning (FL) dengan differential privacy (DP) untuk klasifikasi tingkat keparahan COVID-19 yang menjaga privasi menggunakan rekam medis elektronik. Kami mengembangkan model hybrid CNN-LSTM yang memproses fitur statistik dan tanda-tanda penting berturut-turut. Eksperimen menggunakan dataset COVID-19 (199.999 sampel, 17 fitur) yang dibagi ke dalam 3, 5, dan 10 rumah sakit virtual dengan tingkat non-IID yang berbeda (α = 1,0; 0,5; 0,1). DP-SGD diterapkan dengan anggaran privasi ε = 0,1; 1,0; 10,0; dan tanpa DP. FL tanpa DP mencapai akurasi 88,36% (F1 = 0,8809), hanya selisih 1,1% dari model bermata (89,47%) dan 12,9% lebih tinggi dibandingkan model lokal saja (78,34%). Dengan DP pada ε = 0,1, akurasi turun sebesar 6,2% (menjadi 82,93%), sementara inferensi keanggotaan AUC serangan turun dari 0,4823 menjadi 0,0387, yang menunjukkan perlindungan privasi yang kuat. Tingkat non-IID yang lebih tinggi (α = 0,1) meningkatkan jumlah putaran konvergensi dari 35 menjadi 60, namun tetap mempertahankan akurasi 85,12%. Biaya komunikasi untuk lima rumah sakit sebesar 162 MB (<500 MB). Semua hipotesis terkonfirmasi. Kerangka kerja FedCOVID-DP memungkinkan kolaborasi klasifikasi tingkat keparahan yang sesuai privasi tanpa berbagi data mentah, tahan terhadap serangan, mampu menangani data non-IID, serta memiliki biaya komunikasi rendah, sehingga layak diterapkan di rumah sakit di Indonesia dan secara global.