Una nueva canalización para la generación realista de datos longitudinales sintéticos de HCE

Área de la Ciencia:

• Informática de la Salud
• Ciencia de Datos
• Biología Computacional

Sus antecedentes:

• La generación de datos de salud sintéticos es crucial para la privacidad del paciente y el intercambio de datos.
• Los métodos existentes a menudo carecen de realismo estructural y se evalúan de forma limitada.
• Esto limita la aplicación práctica de los datos sintéticos en los flujos de trabajo analíticos posteriores.

Objetivo del estudio:

• Introducir una nueva canalización para generar datos longitudinales sintéticos realistas de registros de salud electrónicos (HCE).
• Evaluar el rendimiento de la canalización en tres conjuntos de datos diversos.
• Proporcionar orientación basada en evidencia sobre el uso de datos sintéticos para reemplazar o aumentar datos reales.

Principales métodos:

• Se ampliaron los marcos existentes HALO y ConSequence con un paso de posprocesamiento para variables continuas y marcas de tiempo.
• Se aplicó la canalización a conjuntos de datos longitudinales pequeños, de cuidados intensivos medianos y administrativos multihospitalarios grandes.
• Se evaluó el realismo y la utilidad para el aprendizaje automático, la modelización estadística y el análisis de series temporales.

Principales resultados:

• Se generaron datos sintéticos realistas que conservan propiedades estadísticas clave y relaciones en todos los conjuntos de datos.
• Los modelos de aprendizaje automático entrenados con datos sintéticos mostraron una precisión predictiva y una importancia de las características comparables a las de los modelos entrenados con datos reales.
• Los resultados de la modelización estadística se alinearon estrechamente con los datos reales, aunque la precisión para condiciones raras puede ser limitada; el análisis de series temporales no fue adecuado.

Conclusiones:

• La canalización produce con éxito datos longitudinales sintéticos de HCE realistas y analíticamente útiles en diversas escalas.
• Los datos sintéticos demuestran una gran utilidad para tareas de aprendizaje automático y modelización estadística.
• Los hallazgos ofrecen orientación práctica para el uso juicioso de datos sintéticos en el análisis de la atención médica.