Date of publication XXXX 00, 0000, date of current version XXXX 00, 0000

III.
Material and Method 
The overall concept of the architecture covers the dataset 
description, pre-processing of the dataset, machine learning 
part, and eventually with federated learning section. 
3.1 Dataset description 
In our research, we used the MIMIC-IV (Medical Information 
Mart for Intensive Care) dataset. This dataset contains de-
identified electronic health record (EHR) data from patients 
admitted to intensive care units (ICUs) at Beth Israel 
Deaconess 
Medical 
Center 
(BIDMC) 
in 
Boston, 
Massachusetts, USA, between 2008 and 2019. With data on 
more than 300,000 hospital admissions, we chose to use the 
MIMIC-IV dataset as it is one of the largest publicly available 
ICU datasets in the world, making it an invaluable resource for 
researchers studying critical care medicine, health outcomes, 
and medical informatics.Using the MIMIC-IV dataset, we 
were able to gather information on patient demographics, 
diagnoses, medications, laboratory results, vital signs, and 
more, providing a highly detailed view of patients' medical 
histories. Despite being de-identified to protect patient 
privacy, the dataset still retains a high degree of clinical detail, 
making it useful for a wide range of research applications. 
One of the main advantages of the MIMIC-IV dataset is its 
openness and availability to researchers. We used the MIMIC-
IV dataset because it is freely available and includes extensive 
documentation and resources to help users navigate the data. 
This feature makes it an attractive option for researchers 
looking to conduct studies in areas such as clinical decision-
making, predictive analytics, and patient outcomes. 
Overall, we found the MIMIC-IV dataset to be an invaluable 
resource for our research into critical care medicine, health 
outcomes, and medical informatics. Its vast size, clinical 
detail, and open availability make it an ideal dataset for a wide 
range of research applications.It should be noted that access to 

---

Ruzaliev R: 
Federated Learning for Clinical Event Classification Using Vital 
Signs Data 
2 
VOLUME XX, 2023 
the MIMIC-IV dataset is restricted and requires approval from 
the PhysioNet Data Use Agreement (DUA) to access the data. 
We have selected six vital signs (SpO2, BPM, RR, SBP, DBP, 
and MBP) from the MIMIC-IV dataset for our analysis. Figure 
2 illustrates the initial version of our dataset, showing the 
distribution of these vital signs over the course of a patient's 
ICU stay. These variables are important for clinical and 
research applications, providing valuable information about a 
patient's health status and guiding clinical decision-making.