Federated Learning Approach in Medicine: Enhancing Privacy and Model Quality: A Narrative Review.
Federated Learning (FL) is a decentralized machine learning paradigm that enables collaborative model training across multiple devices or institutions without sharing raw data, thereby addressing critical privacy concerns in healthcare. This narrative review explores the potential of FL to transform...
| Publicado en: | Konuralp Medical Journal / Konuralp Tip Dergisi Vol. 17; no. 3; pp. 331 - 336 |
|---|---|
| Autores principales: | , |
| Formato: | review Journal Article |
| Publicado: |
Duzce University Medical School
eki2025
|
| Acceso en línea: | Ver este registro en EBSCOhost |
| fields | @attributes: recordID: 1 pdfLink: plink: https://search.ebscohost.com/login.aspx?direct=true&db=ccm&AN=189102216&site=ehost-live header: @attributes: shortDbName: ccm uiTerm: 189102216 longDbName: CINAHL Complete uiTag: AN controlInfo: bkinfo: dissinfo: jinfo: jid: 13093878 FCJ0 jtl: Konuralp Medical Journal / Konuralp Tip Dergisi issn: 13093878 maglogo: N pubinfo: dt: eki2025 vid: 17 iid: 3 pid: 55957 pub: Duzce University Medical School artinfo: ui: 189102216 189102216 189102216 10.18521/ktd.1664270 189102216 ppf: 331 ppct: 5 formats: tig: atl: Federated Learning Approach in Medicine: Enhancing Privacy and Model Quality: A Narrative Review. aug: au: Colak, Cemil Tetik, Burcu Kayhan affil: Department of Biostatistics, Bioinformatics and Medical Informatics, Inonu University Faculty of Medicine, Malatya, Türkiye sug: subj: Federated Learning Utilization Privacy and Confidentiality Health Care Delivery Family Services Individualized Medicine Health Services Accessibility Federated Learning Ethical Issues Resource-Limited Settings Chronic Disease Risk Factors Risk Assessment Chronic Disease Diagnosis Prediction Models Standards Medical Informatics Quality Improvement Collaboration Interinstitutional Relations Federated Learning Economics Federated Learning Legislation and Jurisprudence Outcomes (Health Care) Healthcare Disparities Patient Centered Care Conceptual Framework Turkiye Diagnosis, Computer Assisted Disease Management Remote Patient Monitoring Technology, Medical ab: Federated Learning (FL) is a decentralized machine learning paradigm that enables collaborative model training across multiple devices or institutions without sharing raw data, thereby addressing critical privacy concerns in healthcare. This narrative review explores the potential of FL to transform family medicine by enhancing disease prediction, personalized care, and health equity while addressing technical and ethical challenges. FL's applications in medicine include disease prediction, personalized treatment, remote patient monitoring, and improving health equity in resource-limited settings. Despite its promise, FL faces challenges such as data heterogeneity, computational costs, ethical concerns, and regulatory ambiguity. Future directions include hybrid FL architectures, blockchain integration, edge computing, and global health initiatives. This review concludes that FL holds transformative potential for family medicine, offering privacy-preserving, data-driven solutions to improve patient outcomes and bridge healthcare disparities. However, its success depends on addressing technical, ethical, and regulatory barriers through multidisciplinary collaboration and patient-centric governance frameworks. Birleşik Öğrenme (BÖ), ham verileri paylaşmadan birden fazla cihaz veya kurum arasında işbirlikçi model eğitimine olanak tanıyan ve böylece sağlık hizmetlerinde kritik gizlilik endişelerini gideren, merkezi olmayan bir makine öğrenimi paradigmasıdır. Bu derleme, BÖ'nün teknik ve etik zorlukları ele alırken hastalık tahminini, kişiselleştirilmiş bakımı ve sağlıkta eşitliği geliştirerek aile hekimliğini dönüştürme potansiyelini araştırıyor. BÖ'nün tıp alanındaki uygulamaları arasında hastalık tahmini, kişiselleştirilmiş tedavi, uzaktan hasta takibi ve kaynakların sınırlı olduğu ortamlarda sağlık eşitliğinin iyileştirilmesi yer almaktadır. BÖ, verdiği söze rağmen veri heterojenliği, hesaplama maliyetleri, etik kaygılar ve düzenleyici belirsizlik gibi zorluklarla karşı karşıyadır. Gelecekteki yönelimler arasında hibrit BÖ mimarileri, blok zinciri entegrasyonu, uç bilişim ve küresel sağlık girişimleri yer alıyor. Bu derleme, BÖ'nün aile hekimliği için dönüştürücü bir potansiyele sahip olduğu, hasta sonuçlarını iyileştirmek ve sağlık hizmeti eşitsizliklerini gidermek için gizliliği koruyan, veri odaklı çözümler sunduğu sonucuna varmıştır. Ancak başarısı, multidisipliner işbirliği ve hasta merkezli yönetim çerçeveleri aracılığıyla teknik, etik ve düzenleyici engellerin ele alınmasına bağlıdır. pubtype: Academic Journal doctype: review Journal Article ougenre: Article language: English refInfo: holdings: @attributes: islocal: N |
|---|