다양한 데이터 유형 및 제약 조건을 가진 전자 건강 기록 생성

대규모로 전자 건강 기록(EHRs)을 공유하는 것은 개인정보 보호 문제를 초래할 수 있습니다. 최근 연구에 따르면, 생성적 적대 신경망(GAN) 프레임워크를 통해 위험을 완화할 수 있음을 보여주었습니다. 그러나 지금까지의 방법은 1) 특정 유형(예: 진단 코드)의 데이터를 생성하는 데 집중하고 다른 데이터 유형(예: 절차 또는 활력 징후)을 간과하며, 2) 제약 조건의 기능을 나타내지 않는 등의 한계가 있습니다. 본 논문에서는 1) GAN 모델을 정제하고, 2) 제약 조건을 고려하며, 3) 이러한 작업을 위한 주요 유틸리티 측정을 통합함으로써 다양한 데이터 유형의 EHRs를 시뮬레이션하는 방법을 소개합니다. Vanderbilt Medical Center에서 수집한 770,000개 이상의 EHRs에 대한 분석 결과, 새로운 모델은 기본 통계, 교차 기능 상관관계, 구조적 특성, 기능 제약 및 데이터의 연관 패턴을 유지하는 데 있어 더 높은 성과를 달성하며, 개인정보 보호를 희생하지 않았습니다.