Dane syntetyczne w opiece zdrowotnej: definicja, korzyści i wyzwania

Dane syntetyczne w opiece zdrowotnej oznacza sztucznie wygenerowane dane, które symulują rzeczywiste dane dotyczące zdrowia pacjenta. Tego typu dane tworzone są za pomocą algorytmów i modeli statystycznych. Został zaprojektowany tak, aby odzwierciedlał złożone wzorce i cechy rzeczywistych danych dotyczących opieki zdrowotnej. Nie odnosi się jednak do żadnych rzeczywistych osób, chroniąc w ten sposób prywatność pacjentów.

Tworzenie danych syntetycznych polega na analizie rzeczywistych zbiorów danych pacjentów w celu zrozumienia ich właściwości statystycznych. Następnie na podstawie tych spostrzeżeń generowane są nowe punkty danych. Naśladują one statystyczne zachowanie oryginalnych danych, ale nie replikują konkretnych informacji o żadnej osobie.

Dane syntetyczne stają się coraz ważniejsze w opiece zdrowotnej. Równoważy wykorzystanie potencjału dużych zbiorów danych i poszanowanie poufności pacjenta.

[Przeczytaj także: 22 bezpłatne i otwarte zbiory danych dotyczących opieki zdrowotnej do uczenia maszynowego]

Aktualny stan danych w opiece zdrowotnej

Opieka zdrowotna nieustannie boryka się z problemem wyważenia korzyści związanych z danymi z obawami dotyczącymi prywatności pacjentów. Uzyskiwanie danych dotyczących opieki zdrowotnej do celów komercyjnych lub akademickich jest szczególnie trudne i kosztowne.

Na przykład uzyskanie zgody na wykorzystanie danych systemu opieki zdrowotnej może zająć do dwóch lat. Dostęp do danych na poziomie pacjenta często wiąże się z kosztami liczonymi w setkach tysięcy, jeśli nie więcej, w zależności od skali projektu. Przeszkody te w znaczący sposób utrudniają postęp w tej dziedzinie.

Sektor opieki zdrowotnej znajduje się na wczesnym etapie opracowywania i stosowania danych. Szereg czynników, w tym obawy dotyczące prywatności, brak ustandaryzowanych formatów danych i istnienie silosów danych, utrudnia innowacje i postęp. Jednak ten scenariusz szybko się zmienia, szczególnie wraz z rozwojem technologii generatywnej sztucznej inteligencji.

Pomimo tych przeszkód wykorzystanie danych w opiece zdrowotnej rośnie. Platformy takie jak Snowflake i AWS ścigają się, aby zaoferować narzędzia wykorzystujące potencjał tych danych. Rozwój przetwarzania w chmurze ułatwia bardziej zaawansowaną analizę danych i przyspiesza rozwój produktów.

W tym kontekście dane syntetyczne okazują się obiecującym rozwiązaniem problemów związanych z dostępnością danych w opiece zdrowotnej.

Jak dane syntetyczne są wykorzystywane w opiece zdrowotnej?

Syntetyczne dane to obecna rewolucja w opiece zdrowotnej, pozwalająca organizacjom na innowacje przy jednoczesnym poszanowaniu granic wyznaczonych przez bezpieczeństwo i prywatność. Ponieważ przypominają dane ze świata rzeczywistego, syntetyczne zestawy danych umożliwiają badaczom, klinicystom i deweloperom forsowanie innowacji bez przeszkód ze strony poufności pacjenta.

Oto kilka prostych przykładów z życia wziętych, które pokazują, w jaki sposób dane syntetyczne zmieniają opiekę zdrowotną:

1. Testowanie nowych metod leczenia bez narażania prywatności

Wyobraź sobie zespół badaczy opracowujących leczenie cukrzycy. Zamiast uzyskiwać dostęp do poufnych danych pacjentów, wykorzystują oni syntetyczne dane, które naśladują cechy prawdziwych pacjentów, takie jak wiek, poziom cukru we krwi i historię medyczną. Mogą oni opracowywać hipotezy i udoskonalać je w protokoły dotyczące dostosowywania leczenia, zachowując jednocześnie poufność danych pacjenta.

2. Szkolenie AI w celu szybszej diagnozy

Pomyśl o narzędziu uczenia maszynowego zaprojektowanym do wykrywania raka płuc na podstawie zdjęć rentgenowskich. Syntetyczne obrazy medyczne mogą obejmować wiele scenariuszy — układanie kształtów, rozmiarów i lokalizacji guzów w dowolny zabawny sposób może pomóc maszynie nauczyć się dokładnie identyfikować przypadek z niestabilnym nawrotem raka. Ułatwia to diagnozę, całkowicie omijając obawy etyczne związane z wykorzystaniem rzeczywistych skanów pacjentów.

3. Ćwiczenie operacji w wirtualnej rzeczywistości

Wielu studentów medycyny wymaga rzeczywistej praktyki, zanim będą mogli leczyć prawdziwych pacjentów. Syntetyczne dane tworzą całą interaktywną transpozycję, w której wirtualny pacjent oparty na danych jest symulowany z różnymi historiami medycznymi i stanami, co pozwala studentom wielokrotnie i bardzo bezpiecznie doświadczać operacji lub procedur diagnostycznych.

4. Umożliwianie planowania zdrowia publicznego

Symulowanie przebiegu chorób takich jak COVID-19 czy grypa przy użyciu danych syntetycznych jest istotne, ponieważ pozwala badaczom z ośrodków epicentrum modelować rozprzestrzenianie się wirusa na poziomie epidemii na obszarach miejskich w porównaniu z obszarami wiejskimi, a jednocześnie szacować i testować strategie szczepień, unikając w ten sposób nieznajomości wrażliwych danych populacyjnych.

5. Bezpieczne testowanie urządzeń medycznych

Rozważmy firmę opracowującą nowe urządzenie do noszenia, aby monitorować tętno. Syntetyczne zestawy danych imitujące różne kardiopatie pozwalają firmom testować swoje urządzenia w wielu scenariuszach przed wejściem do gospodarki.

Jak powinny być tworzone syntetyczne dane dla opieki zdrowotnej

Tworzenie syntetycznych danych w opiece zdrowotnej jest rzeczywiście długim procesem, który wyznacza cienką granicę między wiedzą techniczną a solidnym zrozumieniem systemów opieki zdrowotnej. Aby uprościć pojęcia, tak właśnie można ogólnie interpretować tworzenie syntetycznych danych w placówkach opieki zdrowotnej.

1. Zrozum prawdziwe dane

Organizacje ochrony zdrowia badają rzeczywiste dane pacjentów, zaczynając od dokumentacji szpitalnej, wyników badań laboratoryjnych lub szczegółów badań klinicznych. Na przykład szpital może analizować dane demograficzne pacjentów, historię leczenia i wyniki, aby uzyskać pewien wgląd w podstawowe trendy lub wzorce.

2. Zatrzymanie ujawniania danych pacjentów poprzez usunięcie danych osobowych

Po tym, dla dobra prywatności, zbiór danych nie zawiera już danych osobowych (PII) - nazwisk, adresów ani numerów ubezpieczenia społecznego. Możesz to powiązać z procesem anonimizacji niektórych notatek medycznych, które, jeśli zostaną wydrukowane teraz, nie będą mogły zostać powiązane z konkretną osobą.

3. Identyfikacja kluczowych wzorców

Analityk danych analizuje oczyszczony zestaw danych i odkrywa wzorce i powiązania stanowiące kolejny ważny element składowy udanych badań. Na przykład może odkryć, że pewne leki są powszechnie stosowane przez osoby starsze z cukrzycą lub że pewne grupy wiekowe mają tendencję do występowania pewnych objawów.

4. Budowanie modeli przy użyciu wzorców

Po ustaleniu tych wzorców, spostrzeżenia pozwalają na budowę modeli matematycznych, które naśladują statystyczne powiązania znalezione w rzeczywistych danych. Na przykład, jeśli 30% pacjentów w zestawie danych ma wysokie ciśnienie krwi, możemy przypuszczać, że dane syntetyczne będą mniej więcej odzwierciedlać te stany w podobnych proporcjach.

6. Walidacja danych syntetycznych

Następnie syntetyczny zbiór danych jest porównywany z oryginalnymi danymi, aby zachować te same statystyki definiujące właściwości i relacje. Na przykład, jeśli w oryginalnym zbiorze danych istnieje zależna korelacja między otyłością a chorobą serca, to samo powinno istnieć w tym syntetycznym zbiorze danych.

7. Testowanie w warunkach rzeczywistych

Na koniec syntetyczne dane są pobierane do testowania w różnych scenariuszach, aby stwierdzić, że można ich używać do zamierzonych celów. Obejmują one wykorzystanie ich do umożliwienia badaczom trenowania modelu AI do diagnozowania chorób lub symulowania zmian zasobów operacyjnych na oddziale ratunkowym związanych z sezonem grypy.

Jak weryfikować dane syntetyczne dla opieki zdrowotnej

Decydenci w organizacjach muszą zbadać ważność danych syntetycznych przed ich zastosowaniem w opiece zdrowotnej. Ten paradygmat dotyczy wszelkich danych wykorzystywanych w ramach protokołów poufności. Poniżej przedstawiono sposoby oceny ważności danych syntetycznych:

• Porównanie z danymi rzeczywistymi:Dane syntetyczne są porównywane z danymi rzeczywistymi, aby potwierdzić, że główne trendy, które definiują, np. związek między wiekiem a chorobą, są właściwie odzwierciedlone. Na przykład, jeśli 20 procent prawdziwych pacjentów ma cukrzycę, to podobny odsetek powinien ujawnić się u pacjentów syntetycznych.
• Przeprowadzanie testów statystycznych: Testy statystyczne pozwalają sprawdzić, czy dane syntetyczne są zgodne z oryginałem pod względem rozkładów i korelacji, potwierdzając w ten sposób, że są one racjonalne i wiarygodne na potrzeby analizy.
• Walidacja na rzeczywistych zadaniach: Zadania ze świata rzeczywistego, takie jak ćwiczenia szkoleniowe na modelach sztucznej inteligencji, posłużyłyby do porównania, czy wyniki uzyskane w wyniku szkolenia na danych syntetycznych przyniosłyby również wyniki podobne do tych uzyskanych w wyniku szkolenia na rzeczywistych danych.
• Recenzja eksperta: Syntetyczne zbiory danych są weryfikowane przez lekarzy i ekspertów w dziedzinie opieki zdrowotnej pod kątem autentycznych atrybutów, takich jak standardowe historie pacjentów i metody leczenia, które muszą być spełnione w realistycznym badaniu naukowym.
• Obowiązujące środki kontroli prywatności: Ocena ta pozwoli zagwarantować, że syntetycznych danych nie da się powiązać z prawdziwymi pacjentami, a prywatność prawdziwych pacjentów zostanie zachowana, a zbiór danych nie ulegnie utracie użyteczności.

[Przeczytaj także: Dlaczego zbiory danych opieki zdrowotnej są ważne w kształtowaniu przyszłości medycznej sztucznej inteligencji]

Potencjał danych syntetycznych w opiece zdrowotnej i farmacji

Integracja danych syntetycznych w opiece zdrowotnej i farmacji otwiera świat możliwości. To innowacyjne podejście zmienia różne aspekty branży. Zdolność danych syntetycznych do odzwierciedlania zbiorów danych ze świata rzeczywistego przy jednoczesnym zachowaniu prywatności rewolucjonizuje wiele sektorów.

1. Zwiększ dostępność danych, zachowując prywatność

   Jedną z najważniejszych przeszkód w opiece zdrowotnej i farmacji jest dostęp do ogromnych danych przy jednoczesnym przestrzeganiu przepisów dotyczących prywatności. Dane syntetyczne oferują przełomowe rozwiązanie. Zapewnia zbiory danych, które zachowują charakterystykę statystyczną rzeczywistych danych, bez ujawniania prywatnych informacji. Postęp ten pozwala na szersze badania i szkolenie modeli uczenia maszynowego. Sprzyja postępowi w leczeniu i opracowywaniu leków.

2. Lepsza opieka nad pacjentem dzięki analizie predykcyjnej

   Dane syntetyczne mogą znacznie poprawić opiekę nad pacjentem. Modele uczenia maszynowego wyszkolone na danych syntetycznych pomagają pracownikom służby zdrowia przewidywać reakcję pacjentów na leczenie. Postęp ten prowadzi do bardziej spersonalizowanych i skutecznych strategii opieki. Medycyna precyzyjna staje się bardziej osiągalna w celu zwiększenia skuteczności leczenia i wyników pacjentów.

3. Optymalizacja kosztów dzięki zaawansowanemu wykorzystaniu danych

   Zastosowanie danych syntetycznych w opiece zdrowotnej i farmacji prowadzi również do znacznych redukcji kosztów. Minimalizuje ryzyko i koszty związane z naruszeniami danych. Ponadto ulepszone możliwości predykcyjne modeli uczenia maszynowego pomagają optymalizować zasoby. Wydajność ta przekłada się na zmniejszenie kosztów opieki zdrowotnej i usprawnienie operacji.

4. Testowanie i walidacja

   Dane syntetyczne umożliwiają bezpieczne i praktyczne testowanie nowych technologii, w tym systemów elektronicznej dokumentacji medycznej i narzędzi diagnostycznych. Świadczeniodawcy mogą rygorystycznie oceniać innowacje przy użyciu danych syntetycznych, nie narażając prywatności ani bezpieczeństwa danych pacjentów. Zapewnia, że ​​nowe rozwiązania będą wydajne i niezawodne, zanim zostaną wdrożone w rzeczywistych scenariuszach.

5. Wspieranie wspólnych innowacji w opiece zdrowotnej

   Dane syntetyczne otwierają nowe drzwi do współpracy w badaniach związanych z opieką zdrowotną i farmaceutyką. Organizacje mogą udostępniać partnerom syntetyczne zbiory danych. Umożliwia wspólne badania bez narażania prywatności pacjentów. Takie podejście toruje drogę innowacyjnym partnerstwom. Współpraca ta przyspiesza przełomy w medycynie i tworzy bardziej dynamiczne środowisko badawcze.

Wyzwania związane z danymi syntetycznymi

Chociaż dane syntetyczne mają ogromny potencjał, niosą ze sobą również wyzwania, którym należy stawić czoła.