Key points are not available for this paper at this time.
Resumo Contexto O compartilhamento de dados acelera o progresso científico, mas compartilhar dados em nível individual enquanto preserva a privacidade do paciente apresenta uma barreira. Métodos e Resultados Usando pares de redes neurais profundas, geramos "participantes" sintéticos simulados que se assemelham de perto aos participantes do ensaio SPRINT. Mostramos que tais redes pareadas podem ser treinadas com privacidade diferencial, uma estrutura formal de privacidade que limita a probabilidade de que consultas aos dados dos participantes sintéticos possam identificar um participante real no ensaio. Preditores de aprendizado de máquina construídos sobre a população sintética generalizam para o conjunto de dados original. Esta descoberta sugere que os dados sintéticos podem ser compartilhados com outros, permitindo que eles realizem análises geradoras de hipóteses como se tivessem os dados originais do ensaio. Conclusões Redes neurais profundas que geram participantes sintéticos facilitam análises secundárias e investigação reproduzível de conjuntos de dados clínicos ao melhorar o compartilhamento de dados enquanto preservam a privacidade dos participantes.
Beaulieu‐Jones et al. (Wed,) estudaram essa questão.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: