Данный обзор посвящен критической проблеме обмена данными пациентов в Канаде для разработки многоцентрового искусственного интеллекта. Исследование анализирует два основных подхода: централизованное объединение данных (centralized pooling) и федеративное обучение (federated learning). Авторы рассматривают методологические различия между этими стратегиями, уделяя особое внимание вопросам конфиденциальности, безопасности и юридическим барьерам при передаче чувствительной медицинской информации. В работе подчеркивается, что федеративное обучение позволяет обучать модели на распределенных наборах данных без необходимости их физического перемещения, что значительно снижает риски утечки. Результаты обзора указывают на необходимость создания стандартизированных протоколов для интеграции ИИ в национальную систему здравоохранения. Практическая значимость работы заключается в предоставлении дорожной карты для исследователей и регуляторов при проектировании архитектур ИИ, способных работать с крупномасштабными медицинскими данными.