综合和质量评估的时间序列和静态医疗数据使用现实世界的时间序列生成对抗网络的综合和质量评估

科学领域:

• 医疗信息学 医疗信息学
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 隐私问题阻碍了敏感医疗数据的使用.
• 开发安全利用患者信息的方法至关重要.
• 现实世界时间序列生成对抗网络 (RTSGAN) 为数据合成提供了一个潜在的解决方案.

研究的目的:

• 使用RTSGAN合成高质量,保护隐私的医疗数据.
• 评估合成时间序列医疗数据的准确性和实用性.
• 评估与合成数据生成过程相关的隐私风险.

主要方法:

• 利用RTSGAN合成了来自15799名结直肠癌患者的53 005个数据点.
• 进行了定量评估,包括赫林格距离,TSTR/TRTS AUC和倾向平均平方误差.
• 进行了定性分析 (t-SNE,直方图) 和隐私评估 (距离最近的记录,会员推断测试).

主要成果:

• 定量指标显示数据质量很高 (赫林格距离0-0.25,AUC0.98-0.99,PMSE0.223).这些指标显示数据质量很高.
• 定性分析证实了合成数据和真实数据之间的相似性.
• 合成数据在预测结直肠癌存活率方面实现了与真实数据可比的性能.
• 隐私评估表明数据暴露的风险很小.

结论:

• RTSGAN有效地合成了现实的医疗时间序列数据,并保护了隐私.
• 综合数据准确地代表了现实世界患者的特征.
• 这种方法使医疗数据可以安全地用于AI模型开发和临床见解.