论文阅读总结-Patient clustering improves efficiency of federated machine learning to predict mortality and hospital stay time using distributed electronic medical records

一、论文提出的方法：

使用进入ICU前48h的用药特征作为预测因子预测重症监护患者的死亡率和ICU住院时间。

　　用到了联邦学习，自编码器，k-means聚类算法，社区检测。

数据集：从50家患者人数超过600人的医院，每个医院抽取560名患者形成最终的28000例数据集，20000作为训练集，8000作为测试集。

二、具体实现：

　　1．每个医院各自训练自编码器重构药物特征

　　

　　2． 每个医院用将各自data转换为向量表示,然后将所有医院的平均值返回给server

　　3． Server使用k-means算法作用于训练k-means clustering model:

　　4． Community-based learning:

　　　　(1)   server初始化K个neural network models.

　　　　(2)   每个医院在自己的数据集学习K个model,并用和确定每个example属于哪个cluster，得到表示每个cluster的size,并用均值更新server.

　　　　(3)   Server将更新的model重新发送给每个医院进行下一次的训练直到收敛，得到community model.

　　5． 给定一个测试集，用编码，用定义community,使用community model进行预测

　　6．Pipline: