电子健康记录生成的新方法 (EHR-D3PM) 以离散的扩散模型为基础，通过高质量的数据生成、数据增强和隐私安全性等方面的实验表明它在生成质量、潜在风险和任务效果方面优于现有方法。

Apr, 2024

本篇论文提出了一种基于扩散模型的生成模型，可以成功地应用于电子病历数据。该模型提出了一种基于分类条件的采样机制以保留标签信息，并引入了一种新的采样策略来加速推理速度。经实验证明，该模型优于现有的其他合成电子病历生成方法。

Feb, 2023

通过引入基于扩散的 EHR 数据生成模型 EHRPD 来解决电子健康记录数据生成中存在的局限性，并从真实性、隐私性和实用性的角度对其进行实验验证。

Jun, 2024

使用去噪扩散概率模型（DDPM）生成多样且逼真的合成电子健康记录时间序列数据，提高数据效用且减少训练工作量，从而改善医疗数据分析。

Oct, 2023

优化生成模型的质量和隐私之间的平衡，通过引入关注机制学习可逆的表格表示和差分隐私扩散模型来合成高质量的表格数据。

Aug, 2023

本文介绍了一种通用的基准测试框架，以评估生成对抗网络等方法合成的医疗数据的实用性和隐私度量，并发现在共享用于电子健康记录的合成数据时存在实用性和隐私度量的折中。

Aug, 2022

本文提出了两个度量标准，即相似性和独特性，用于样本级别对合成数据集的评估，并以 CF 患者的电子病历为例，展示了这些度量标准的使用和各种现代生成模型的比较。

Oct, 2022

本文提出了一种基于生成对抗网络的方法（medGAN），用于生成逼真的合成病人记录数据，并证明其可行性及隐私风险。

Mar, 2017

合成数据和生成模型在隐私保护的数据共享解决方案中迅速崛起，并通过在表格综合机上实施全面的实证分析，突出了五种最先进表格综合机的实用 - 隐私权衡，提出了一个新的差分隐私表格潜在扩散模型，称为 DP-TLDM，能够在保持可比较的隐私风险水平的同时，显著提高合成数据的实用性。

Mar, 2024

通过使用从 CEHR-BERT 导出的特定患者表征，我们展示了使用 GPT 模型来生成患者序列，并能够无缝转换为 OMOP 数据格式的能力。

Feb, 2024