Szczegóły publikacji
Opis bibliograficzny
Vasculitis outcome prediction using machine learning and federated learning / Kamil Woźniak, Tadeusz Satława, Krzysztof Wójcik, Krystyna Milian, Sabina LICHOŁAI, Tomasz Gubała, Grzegorz Biedroń, Katarzyna Wawrzycka-Adamczyk, Stanisława Bazan-Socha, Anna Masiak, Michał Chmielewski, Barbara Bułło-Piontecka, Alicja Dębska-Ślizień, Hanna Storoniak, Magdalena Krajewska, Hanna Augustyniak-Bartosik, Radosław Jeleniewicz, Maria Majdan, Katarzyna Jakuszko, Marcin Milchert, Marek Brzosko, Joanna Kur-Zalewska, Witold Tłustochowicz, Marta Madej, Anna Hawrot-Kawecka, Eugeniusz Kucharz, Piotr Głuszko, Krzysztof Bonek, Małgorzata Wisłowska, Joanna Miłkowska-Dymanowska, Anna Lewandowska-Polak, Joanna Makowska, Joanna Zalewska, Jacek Musiał, Jose Sousa, Maciej Malawski // W: Computational Science – ICCS 2026 : 26th International Conference : Hamburg, Germany, June 29–July 1, 2026 : proceedings , Pt. 2 / eds. Philipp Neumann [et al.]. — Cham : Springer, cop. 2026. — ( Lecture Notes in Computer Science ; ISSN 0302-9743 ; LNCS 16784 ). — ISBN: 978-3-032-29923-9; e-ISBN: 978-3-032-29924-6. — S. 241–256. — Bibliogr., Abstr. — Publikacja dostępna online od: 2026-06-27. — S. Lichołai - dod. afiliacja: Jagiellonian University Medical College. — M. Malawski - afiliacja: Sano – Centre for Computational Medicine, Kraków
Autorzy (36)
- Woźniak Kamil
- Satława Tadeusz
- Wójcik Krzysztof
- Milian Krystyna
- AGHLichołai Sabina
- Gubała Tomasz
- Biedroń Grzegorz
- Wawrzycka-Adamczyk Katarzyna
- Bazan-Socha Stanisława
- Masiak Anna
- Chmielewski Michał
- Bułło-Piontecka Barbara
- Dębska-Ślizień Alicja M.
- Storoniak Hanna
- Krajewska Magdalena
- Augustyniak-Bartosik Hanna
- Jeleniewicz Radosław
- Majdan Maria
- Jakuszko Katarzyna
- Milchert Marcin
- Brzosko Marek
- Kur-Zalewska Joanna
- Tłustochowicz Witold
- Madej Marta
- Hawrot-Kawecka Anna
- Kucharz Eugeniusz
- Głuszko Piotr
- Bonek Krzysztof
- Wisłowska Małgorzata
- Miłkowska-Dymanowska Joanna
- Lewandowska-Polak Anna
- Makowska Joanna
- Zalewska Joanna
- Musiał Jacek
- Sousa Jose
- Malawski Maciej
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 168881 |
|---|---|
| Data dodania do BaDAP | 2026-08-28 |
| DOI | 10.1007/978-3-032-29924-6_17 |
| Rok publikacji | 2026 |
| Typ publikacji | materiały konferencyjne (aut.) |
| Otwarty dostęp |  |
| Wydawca | Springer |
| Konferencja | International Conference on Computational Science 2026 |
| Czasopismo/seria | Lecture Notes in Computer Science |
Abstract
Predicting the clinical outcomes in patients with antineutrophil cytoplasmic antibody (ANCA)-associated vasculitis (AAV) remains a challenge and early identification of patients who are at risk of severe disease course is crucial. To address this, we applied machine learning (ML) and federated learning (FL) techniques to the POLVAS dataset – the largest multicenter clinical database of vasculitis cases in Poland and one of the largest AAV datasets in Europe. Our goal was to predict the key outcomes: increased risk of death and the need for renal replacement therapy (RRT), an independent risk factor of death. We also analysed the significance of individual input features for the predictive capabilities of our models. Furthermore, we compared the performance of centralized model with FL models, which allow for data privacy preservation – a key factor given the highly sensitive medical data involved. We achieved a prediction performance of 0.86 AUC for RRT prediction, and 0.81 AUC for death prediction using a centralized approach and 0.86 weighted mean AUC for RRT prediction and 0.80 for death prediction with the FL approach. The presented results show that FL can effectively predict the risk of RRT and mortality in AAV patients, addressing privacy concerns without compromising the accuracy.
