Sintetizar registros eletrônicos de saúde longitudinais de alta dimensão por meio de um modelo de linguagem autorregressivo hierárquico

Resumo Registros eletrônicos de saúde (EHRs) sintéticos que são ao mesmo tempo realistas e que preservam a privacidade oferecem alternativas aos EHRs reais para aprendizado de máquina (ML) e análise estatística. No entanto, gerar dados EHR de alta fidelidade em sua forma original e de alta dimensão apresenta desafios para os métodos existentes. Propomos o modelo de linguagem autorregressivo hierárquico () para gerar EHR longitudinais e de alta dimensão, que preservam as propriedades estatísticas dos EHRs reais e podem treinar modelos de ML precisos sem preocupações de privacidade. gera uma função de densidade de probabilidade sobre códigos médicos, visitas clínicas e registros de pacientes, permitindo a geração de dados EHR realistas sem a necessidade de seleção ou agregação de variáveis. Experimentos extensivos demonstraram que podem gerar dados de alta fidelidade com probabilidades de códigos de doenças de alta dimensão que espelham de forma próxima (acima de 0,9 de correlação R²) os dados EHR reais. também melhora a precisão da modelagem preditiva e permite que os modelos de ML subsequentes atinjam precisão semelhante a modelos treinados com dados genuínos.