通过生成剂合成临床文档的隐私,语言和信息保护合成

科学领域:

• 医疗保健信息学 医疗保健信息学
• 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:

• 生成性代理 (GA) 和大型语言模型 (LLM) 为医疗保健创新提供了潜力.
• 获得高质量的电子健康记录 (EHR) 是至关重要的,但受到法律,道德和技术障碍的限制.
• 使用LLM的合成健康数据生成 (SHDG) 在隐私,偏见,准确性和透明度方面面临挑战.

研究的目的:

• 提出和验证一个保护隐私,语言和信息的SHDG协议,使用多个上下文意识,角色特定的GA.
• 为了证明协作,多轮GA交互可以产生准确,一致和透明的合成EHR.
• 在数据科学基础设施 (DSI) 中开发一个无代码的GA驱动的SHDG工作流程,以提高可访问性和可用性.

主要方法:

• 一个新的SHDG协议,采用多个角色特定的GA,以目标提示和EHR模板为指导.
• 在多层 DSI 堆中实现无代码 GA 驱动的 SHDG 工作流.
• 使用GenAI开发一个自动化SHDG评估框架,以在文档和语料库层面比较合成,匿名和真实的电子健康记录.

主要成果:

• 在GA的协助下,SHDG成功生成了准确,一致和适合上下文的合成EHR.
• 拟议的协议证明了隐私保护,语言忠实性和信息完整性.
• 基于 GA 的工作流程和评估框架被证明是可扩展,透明和可重复的.

结论:

• 通过利用GA,SHDG提供了一种可行的解决方案,以解锁用于研究和创新的临床文档.
• 这种方法通过提供可访问的,高质量的合成数据来推动学习卫生系统的发展.
• 开发的工具和框架有助于在医疗保健数据合成中更广泛地采用GA.