FEDI-CODE: A federated and causally-informed framework for dementia risk prediction using multi-site patient data
FEDI-CODE: Ein föderiertes und kausal informiertes Framework zur Demenzrisikovorhersage mit Daten von mehreren Standorten
PLOS One · 24.06.2026 · 21 (6) · e0351957
DOI: 10.1371/journal.pone.0351957 ↗Auf einen Blick
FEDI-CODE sagte das Demenzrisiko mit simulierten multi-site-Daten mit einer Accuracy von 83,7 % und einer AUC-ROC von 0,86 voraus. Externe Daten ergaben 79,2 % Accuracy und 0,80 AUC-ROC.
Fragestellung
Kann FEDI-CODE das Demenzrisiko über verteilte Patient:innendaten hinweg vorhersagen?
Methode
Föderiertes, kausal informiertes Deep-Learning-Framework mit Counterfactual Inference und zeitlichem Modellieren longitudinaler Bild- und klinischer Daten.
Ergebnisse
In Simulationen erreichte FEDI-CODE 83,7 % Accuracy, 83 % Precision, 81 % Recall, 82 % F1-Score und 0,86 AUC-ROC. Auf externen Daten: 79,2 % Accuracy und 0,80 AUC-ROC.
Schlussfolgerung der Autor:innen
Die Autor:innen beschreiben FEDI-CODE als skalierbare, interpretierbare und datenschutzbewusste Lösung für frühes Demenzscreening und personalisierte Risikobewertung.
Kernaussagen
- 83,7 % Accuracy und 0,86 AUC-ROC in simulierten multi-site-Daten
- 79,2 % Accuracy und 0,80 AUC-ROC auf externen Daten
- Modell liefert kausale Hinweise zu veränderbaren Risikofaktoren
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift PLOS One, online erschienen am 24.06.2026. Verfasst von Mohammad Moniruzzaman und 5 weiteren Autor:innen. Beteiligte Einrichtung: Department of Computer Science, Maharishi International University, Fairfield, Iowa, United States of America. Hauptthemen laut MEDLINE: Dementia. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 20 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Themen: Demenz
Abstract (Originalsprache)
Early detection of dementia is critical for timely intervention and disease management, yet it remains a challenging task due to the fragmented nature of healthcare data and the need for privacy-preserving solutions. This paper proposes FEDI-CODE, a Federated and Causally Informed Dementia Estimation framework that integrates deep learning, federated learning, and counterfactual inference to predict dementia risk across distributed patient data sources. FEDI-CODE is designed to operate without centralizing sensitive medical data, enabling collaborative training across institutions while preserving privacy. It combines temporal modeling of longitudinal imaging and clinical data with individualized treatment effect estimation for modifiable risk factors such as alcohol consumption, weight, and cardiovascular indicators. A fusion module aggregates representations from each site to form a global prediction head. Extensive experiments on simulated multi-site dementia datasets demonstrate that FEDI-CODE achieves an accuracy of 83.7%, a precision of 83%, a recall of 81%, an F1-score of 82%, and an AUC-ROC of 0.86, outperforming standard federated models and deep learning baselines by notable margins. The model also generalizes well to external datasets, achieving 79.2% accuracy and 0.80 AUC-ROC, confirming its robustness. Furthermore, FEDI-CODE produces interpretable causal insights by estimating individual treatment effects, offering actionable clinical value. These results highlight FEDI-CODE as a scalable, interpretable, and privacy-aware solution for early dementia screening and personalized risk assessment.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Autor:innen und Institutionen
- Department of Computer Science, Maharishi International University, Fairfield, Iowa, United States of America.
- Computing, Business and Engineering, Georgia Institute of Technology, Atlanta, Georgia, United States of America.
- Information Technology and Management, Webster University, Webster Groves, Missouri, United States of America.
- Department of CSE, Bangladesh University of Business and Technology, Dhaka, Bangladesh.
ORCID-Profile: Mumtahina Ahmed, Ashifur Rahman
Zitieren
APA
Moniruzzaman, M., Uddin, M. S., Ahmed, A., Aktarujjaman, M., Ahmed, M., & Rahman, A. (2026). FEDI-CODE: A federated and causally-informed framework for dementia risk prediction using multi-site patient data. PLOS One, 21(6), e0351957. https://doi.org/10.1371/journal.pone.0351957
Vancouver
Moniruzzaman M, Uddin MS, Ahmed A, Aktarujjaman M, Ahmed M, Rahman A. FEDI-CODE: A federated and causally-informed framework for dementia risk prediction using multi-site patient data. PLOS One. 2026;21(6):e0351957. doi:10.1371/journal.pone.0351957
BibTeX
@article{Moniruzzaman2026,
author = {Moniruzzaman, Mohammad and Uddin, Md Shahab and Ahmed, Ahsan and Aktarujjaman, Md and Ahmed, Mumtahina and Rahman, Ashifur},
title = {FEDI-CODE: A federated and causally-informed framework for dementia risk prediction using multi-site patient data},
journal = {PLOS One},
year = {2026},
volume = {21},
number = {6},
pages = {e0351957},
doi = {10.1371/journal.pone.0351957}
}
EUVIMED