Aug, 2023

使用 SyntHIR 实现互操作的合成健康数据，以推动 CDSS 工具的开发

PDF
TL;DR借助高质量的患者日记和健康注册表，利用机器学习技术开发基于临床决策支持系统的重要机遇，我们提出了通过生成和使用合成电子健康记录数据的体系结构来实现该系统，该体系结构是在 SyntHIR 系统中实施的。
patient journalsmachine learningclinical decision support systemselectronic health recordsynthetic data
发现论文，激发创造
  • 多次就诊健康状态推测下的患者记录协作综合

    基于真实病历数据的模拟电子健康记录（EHRs）合成方法是受限于医疗常识和控制事件组合的不足，为了解决这些问题，本研究提出了一种多访问健康状态推理模型（MSIC）用于协同 EHR 合成，该模型以概率图模型为基础，紧密连接不同类型的事件并建模潜在健康状态，通过先前记录合成当前和未来记录，并生成医学报告来增加对合成 EHR 数据的更广泛应用，实验证明 MSIC 在提高合成数据质量的同时保持低隐私风险方面取得了最先进的结果。

    Dec, 2023

  • 合成电子病历生成模型的多方面基准测试

    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

  • 使用扩散模型综合混合类型的电子健康记录

    使用扩散模型生成混合类型的电子病历在数据质量、效用和增强方面超过其他现有模型，但在隐私方面存在同质化风险。

    Feb, 2023

  • 医疗保健中的合成数据

    本文旨在介绍模拟器生成数据在医疗保健领域的应用与潜在优势，同时指出了其存在的潜在风险和问题。

    Apr, 2023

  • CEHR-GPT：生成具有时间轴的电子健康记录

    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

  • 合成医疗数据的真实性和隐私

    该论文探讨了使用合成数据作为医学创新的一种替代方法来保护患者隐私的可行性，提出了一个新的框架来量化合成数据的统计保真度和隐私保护性能，并利用 Syntegra 技术生成的合成数据来证明这些指标。

    Jan, 2021

  • 合成健康数据概述

    深度生成模型扩大了创建逼真合成健康数据集的潜力，但是仍然存在许多问题和挑战，包括如何评估合成数据集与原始真实数据集的相似性和预测效果，以及分享时的隐私风险。本文概述了合成健康数据领域的现状，包括生成和评估方法与工具，实际应用示例，监管和伦理环境，数据访问和治理选项，以及未来发展机会。

    Jan, 2024

  • 构建用途驱动的互操作电子健康记录知识图谱

    本文介绍了一种名为 iTelos 的综合方法，可以使数据和知识重用以构建可互操作的电子健康记录（iEHR），并通过大规模案例研究验证了其有效性。

    May, 2023

  • 全球卫生中自适应干预的合成数据生成器

    使用 Markov 过程生成多样化的用户行为，以测试针对移动健康干预的强化学习算法的健康合成开源合成数据生成器 HealthSyn，可生成基于真实行为和模拟技术的数据，用于开发、测试和评估研究中的 ML 算法和端到端操作 RL 基础干预交付框架。

    Mar, 2023

  • 支持医生研究活动的电子健康记录中疾病数据提取的系统建模

    利用电子病历数据进行研究活动，本研究旨在解决数据标准化问题，通过数据预处理、注释和转换等步骤将数据转化为标准格式，使用机器学习模型识别疾病并将其转化为 ICD-10 编码，该模型的准确率达到 81%、优于 MetaMap 的准确率 67%。

    Apr, 2024