Hacia la equidad en los datos sintéticos de atención médica: un marco para la evaluación de algoritmos de síntesis

Área de la Ciencia:

• Ciencias de la computación
• Ciencia de los datos
• La informática médica

Sus antecedentes:

• La generación de datos sintéticos está avanzando, ofreciendo una mayor privacidad de los datos.
• La evaluación de la compensación entre equidad y utilidad en los datos sintéticos sigue siendo un desafío importante.

Objetivo del estudio:

• Introducir un marco global para la evaluación de métodos justos de generación de datos sintéticos.
• Para comparar los sintetizadores de última generación utilizando el marco de evaluación propuesto.

Principales métodos:

• El marco incluye componentes de selección, evaluación y aplicación.
• Evalúa la equidad, la utilidad y la similitud de los datos en escenarios realistas.
• Aplicado a TabFairGAN, DECAF, TVAE y CTGAN en un conjunto de datos médicos.

Principales resultados:

• El marco reveló efectivamente las fortalezas y limitaciones de varios sintetizadores.
• Las estrategias de mitigación del sesgo y las compensaciones entre equidad y utilidad identificadas para cada método.
• Demostró la utilidad del marco para analizar el rendimiento de la generación de datos sintéticos.

Conclusiones:

• El estudio destaca la necesidad crítica de consideraciones de equidad en la generación de datos sintéticos.
• Hace hincapié en la importancia de los marcos de evaluación especializados para los datos sintéticos.
• El marco proporciona información valiosa para aplicaciones médicas y más allá.