为人工智能应用生成合成混合型纵向电子健康记录

科学领域:

• 医疗保健中的人工智能
• 医疗信息学 医疗信息学
• 数据 隐私 数据 隐私 数据

背景情况:

• 电子健康记录 (EHR) 为人工智能开发提供了巨大的潜力.
• 患者隐私问题限制了数据共享,阻碍了AI的进步.
• 目前的合成数据模型只生成单个数据类型,不反映现实世界的复杂性.

研究的目的:

• 提出EHR-M-GAN,这是一个生成对抗网络 (GAN),用于合成混合类型的时间序列EHR数据.
• 克服现有模型在生成异质临床数据方面的局限性.
• 为了使人工智能发展,同时保持患者的隐私.

主要方法:

• 开发了EHR-M-GAN,这是一个新的GAN架构.
• 在三个大型,公开可用的重症监护室 (ICU) 数据库上训练并验证了该模型.
• 进行了隐私风险评估,并将性能与最新的基准进行了比较.

主要成果:

• EHR-M-GAN成功地合成了高保真,混合类型的时间序列EHR数据.
• 该模型捕获了多维,异质和时间动态.
• 用EHR-M-GAN数据训练的AI预测模型显示出显著的性能改善.

结论:

• EHR-M-GAN提供了一种卓越的方法来生成现实的合成EHR数据.
• 该模型解决了生成模型对数据类型和维度的限制.
• 通过改善数据访问和确保隐私,EHR-M-GAN可以在资源有限的环境中促进人工智能开发.