縦断的および時系列健康データのための合成データ生成方法：系統的レビュー

科学分野:

• ヘルスケアインフォマティクス; データサイエンス; 人工知能

背景:

• 合成データ生成（SDG）は、ヘルスケア研究にプライバシー保護の代替手段を提供します。時間的健康データ（例：EHR、生理学的信号）は、その複雑さと機密性から、特有のSDGの課題を提示します。

研究 の 目的:

• 縦断的および時系列の健康データのためのSDG方法を系統的にレビューします。SDGの状況を分類するための分類法を提案します。合成技術、評価戦略、およびプライバシー対策を特徴付けます。

主な方法:

• PRISMAガイドラインに従った系統的文献レビュー（2017-2025）。構造化データ抽出とテーマ別分析を使用した115の研究の分析。時間的健康データのためのSDG方法の比較合成。

主要な成果:

• 深層生成モデル（GAN、AE、拡散モデル）がSDGを支配し、自己回帰モデルやハイブリッドモデルの使用が増加しています。イベントベースのEHRデータが一般的なターゲットですが、連続的/不規則な時系列データは十分に探求されていません。ユーティリティ評価は統計/予測に焦点を当てており、プライバシー評価はまばらで、差分プライバシー（DP）の実装は限定的です。

結論:

• 合成時間データは、臨床予測、公衆衛生、およびAIにとって不可欠です。SDGの研究は、用語、評価、およびプライバシーにおいて断片的です。公平性、透明性、および臨床的採用に対処する責任あるAIのための統一されたフレームワークが必要です。