Federated Learning 16 African Countries DHS | FedProx+DP-SGD
# Study I — Federated Learning: Multi-País Africano (DHS)
## Título Completo
**Privacy-preserving federated learning for adverse perinatal outcome prediction across Sub-Saharan African countries: a multi-country Demographic and Health Survey analysis**
---
## Lacuna Real
| O que existe | O que falta |
|---|---|
| Ngusie et al. (BMC PH, 2024) — modelo centralizado, 26 países DHS africanos | Dados centralizados — viola soberania de dados nacionais. **Nenhum estudo aplicou FL em dados DHS multi-país** |
| FL em saúde: revisão sistemática (Cell Reports Medicine, 2024) | Sem aplicação específica a saúde materno-infantil em países de baixa renda |
| Souza RT et al. (Scientific Reports, 2025) — multicountry ML neonatal | Modelo centralizado, não federated — dados precisaram ser centralizados |
| Adesanya et al. (PLOS Global PH, 2025) — ANC e peso ao nascer, West Africa | Análise centralizada de DHS, sem preservação de privacidade por país |
**Gap central:** FL permite que cada país mantenha seus dados localmente (soberania de dados) e apenas os gradientes do modelo são compartilhados. Para dados DHS de países africanos — onde soberania de dados é tema crescente de política pública — FL é metodologicamente superior e politicamente relevante. **Nenhum paper publicado usou FL com DHS africano para saúde materna.**
---
## Pergunta Científica
Um modelo federated (FedAvg / FedProx) treinado sem centralização dos dados DHS de 16 países africanos apresenta desempenho equivalente ou superior ao modelo centralizado na predição de desfechos perinatais adversos, com ganhos adicionais de privacidade e equidade por país?
---
## Dados
**Fonte:** DHS Program (
dhsprogram.com) — acesso gratuito após registro
### Países e N esperado (DHS 2019-2023)
| País | DHS Ano | N estimado | Região SSA |
|---|---|---|---|
| Nigéria | 2021 | 41.821 | Oeste |
| Etiópia | 2019 | 15.683 | Leste |
| DRC | 2021 | 18.247 | Central |
| Tanzânia | 2022 | 14.432 | Leste |
| Uganda | 2022 | 12. …