🤖 machine learning

KMGen: A Skill-based Approach for Synthetic Individual Patient Data Generation

KMGen es un marco de trabajo de código abierto y de extremo a extremo que automatiza completamente la extracción de curvas de Kaplan-Meier a partir de gráficos publicados y genera datos sintéticos de pacientes individuales, incluyendo trayectorias de eventos adversos, mediante la combinación de generación de código agéntica con un enfoque de muestreo mecanístico que preserva las distribuciones de supervivencia marginal y las correlaciones demográficas.

Autores originales: Jalen Jiang, Chufan Gao, Ethan Rasmussen, Stephen Z. Xie, Jimeng Sun

Publicado 2026-08-25

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jalen Jiang, Chufan Gao, Ethan Rasmussen, Stephen Z. Xie, Jimeng Sun

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la investigación médica, el recurso más valioso es a menudo el registro bruto e individual del trayecto de un paciente a través de un ensayo clínico. Estos registros contienen la precisión temporal de cuándo comenzó un tratamiento, cuándo aparecieron los efectos secundarios y exactamente cuánto tiempo vivió un paciente. Los científicos llaman a esto datos individuales de pacientes, y es el estándar de oro para comprender qué tan bien funciona una nueva terapia. Sin embargo, por razones de privacidad y protección legal, estos registros detallados casi nunca se publican al público. En su lugar, los investigadores suelen quedarse solo con el resumen final: un gráfico que muestra el porcentaje de pacientes que sobrevivieron a lo largo del tiempo, y una lista de cuántas personas experimentaron efectos secundarios específicos. Este resumen es útil, pero es como intentar comprender una historia compleja leyendo solo el capítulo final; los matices de cómo se desarrolló la historia se pierden. Sin los datos completos, resulta difícil construir mejores modelos informáticos para predecir resultados o para probar rigurosamente nuevos sistemas de monitorización de la seguridad.

Un equipo de investigadores ha desarrollado una nueva herramienta llamada KMGen para cerrar esta brecha. Su trabajo aborda una limitación de larga data en la forma en que se comparten los datos médicos. Mientras que los métodos anteriores podían, en ocasiones, reconstruir el gráfico de supervivencia a partir de una imagen publicada, no podían crear la otra mitad faltante de la historia del paciente: la cronología de los efectos secundarios. KMGen es el primer sistema diseñado para hacer ambas cosas. Toma un gráfico de supervivencia publicado y una entrada de un registro de ensayos públicos, y genera automáticamente un conjunto completo y sintético de registros de pacientes individuales que parecen y se comportan como datos reales. Esto permite a los científicos probar sus modelos y algoritmos de seguridad en datos que imitan ensayos reales, sin necesidad de acceder nunca a los registros privados y protegidos de pacientes reales.

El proceso comienza con un programa informático que actúa como un analista digital. Su primera tarea es observar la imagen publicada de una curva de supervivencia —un gráfico de líneas que muestra cuántos pacientes siguen vivos en diferentes puntos del tiempo— y convertir esa imagen de nuevo en números. Esta es una tarea difícil porque estos gráficos suelen tener líneas superpuestas, diferentes colores o marcas de cuadrícula que pueden confundir a una computadora. El sistema utiliza un agente de software inteligente para inspeccionar la imagen, decidir qué técnica es mejor para ese dibujo específico y luego escribir código para extraer los datos con una precisión de píxel perfecta. Los investigadores probaron esta herramienta de extracción en treinta y dos tipos diferentes de gráficos, que iban desde imágenes limpias y simples hasta otras desordenadas y distorsionadas diseñadas para engañar al software. La herramienta tuvo éxito en casi todos los casos, produciendo una versión digital de la curva que era casi idéntica a la original, con errores tan pequeños que eran apenas perceptibles.

Una vez que la curva de supervivencia se digitaliza, el sistema pasa a la segunda etapa, más creativa: la generación de los registros individuales de los pacientes. En lugar de adivinar o inventar historias de pacientes al azar, el sistema sigue una receta lógica y estricta. Primero, un agente de software lee el registro público del ensayo para comprender los hechos básicos del estudio: el número de pacientes, su edad promedio, su género y los tipos de efectos secundarios que se reportaron. Organiza esta información en un plan estructurado. Luego, un muestreador determinista —un programa informático que sigue reglas matemáticas fijas— utiliza este plan para crear miles de pacientes falsos.

La forma en que funciona esta generación está cuidadosamente diseñada para ser tanto realista como fiable. El sistema crea diferentes "arquetipos" de pacientes basados en sus factores de riesgo, como la edad, el género y la salud general. Luego, asigna a cada paciente falso un tiempo de supervivencia que coincida con la curva extraída del gráfico, asegurando que el patrón general de supervivencia se preserve exactamente. Para los efectos secundarios, el sistema los programa basándose en el ritmo típico de un ensayo clínico, donde los pacientes son revisados a intervalos regulares. Asegura que los pacientes que están más enfermos o son mayores tengan más probabilidades de experimentar efectos secundarios, tal como ocurriría en un ensayo real, y que el momento de estos eventos siga los patrones naturales de los ciclos de tratamiento. Crucialmente, cada paso de este proceso es transparente y se basa en reglas explícitas en lugar de conjeturas ocultas, lo que significa que los científicos pueden rastrear exactamente cómo se creó un registro de paciente específico.

Los investigadores probaron todo este flujo de trabajo en tres ensayos de cáncer del mundo real que involucraban a cientos de pacientes. Utilizaron el sistema para generar datos sintéticos y luego compararon estos con los datos reales y ocultos de esos ensayos. Los resultados fueron sorprendentemente cercanos. Las curvas de supervivencia sintéticas coincidieron con las reales con un alto grado de precisión, y la distribución de los efectos secundarios en los datos falsos reflejó de cerca los datos reales. Por ejemplo, el sistema identificó correctamente los efectos secundarios más comunes en tres de cada cuatro casos y reprodujo el momento en que ocurrieron esos efectos secundarios con un error promedio de menos de un mes. Incluso los detalles demográficos, como la mezcla de edades y géneros, fueron casi indistinguibles de los ensayos reales.

Este trabajo no pretende reemplazar los ensayos clínicos reales ni generar datos que puedan utilizarse para tomar decisiones regulatorias sobre nuevos fármacos. Los registros sintéticos no son personas reales y no capturan toda la complejidad de la biología humana. Sin embargo, el estudio demuestra que es posible crear datos de alta calidad y realistas para el propósito específico de probar y mejorar las herramientas que los científicos utilizan para analizar la salud. Al proporcionar una forma de generar datos individuales de pacientes a partir de resúmenes públicos, KMGen ofrece un nuevo recurso para que los investigadores validen sus métodos y exploren cuestiones de seguridad en un entorno donde los datos reales no están disponibles. El sistema está ahora disponible como software de código abierto, permitiendo que la comunidad científica más amplia utilice y perfeccione este enfoque para futuros estudios.

Resumen Técnico: KMGen – Un enfoque basado en habilidades para la generación de datos sintéticos de pacientes individuales

1. Planteamiento del problema

Los Datos Individuales de Pacientes (IPD, por sus siglas en inglés) de los ensayos clínicos constituyen el estándar de oro para el modelado de supervivencia, los metaanálisis y la investigación de seguridad. Sin embargo, el acceso a los IPD está frecuentemente restringido debido a regulaciones de privacidad, intereses de propiedad y gobernanza de datos. En consecuencia, los análisis secundarios suelen depender de estadísticas de resumen agregadas (por ejemplo, razones de riesgo o mediana de supervivencia), las cuales carecen de la granularidad en el tiempo de eventos y patrones de censura necesarios para el desarrollo riguroso de modelos de aprendizaje automático.

Los avances metodológicos existentes han abordado solo la mitad de esta brecha:

Reconstrucción: Métodos como IPDfromKM y KM-GPT intentan reconstruir IPD a partir de curvas de Kaplan–Meier (KM) publicadas. Aunque son efectivos, suelen requerir digitalización manual o corrección mediante intervención humana y no ofrecen un mecanismo para generar los flujos de eventos adversos (AE) que constituyen la otra mitad de un registro de paciente.
Generación: Los enfoques puramente generativos (por ejemplo, muestreadores de LLM de extremo a extremo) a menudo alucinan secuencias de eventos clínicamente implausibles o sufren de colapso de modo (mode collapse) en la cola larga de eventos raros.

Existe la necesidad de un marco unificado que pueda tanto automatizar la extracción de datos de supervivencia de gráficos publicados como generar IPD sintéticos de alta fidelidad, incluyendo eventos adversos emergentes del tratamiento, sin requerir acceso a los conjuntos de datos originales restringidos.

2. Metodología

KMGen es un marco de doble propósito que desacopla las tareas interpretativas (asignadas a un agente de Modelo de Lenguaje de Gran Escala multimodal) de las tareas computacionales (asignadas a código determinista). Esta separación asegura que la aproximación se limite a la selección de estrategias, mientras que la exactitud y la reproducibilidad se mantienen en el procesamiento de datos.

2.1. Pipeline de extracción de gráficos KM

El componente de extracción es un pipeline agéntico totalmente automatizado diseñado para recuperar datos de supervivencia a nivel de paciente a partir de gráficos KM publicados.

Rol del Agente: Un analista de LLM inspecciona la imagen de entrada, identifica desafíos (por ejemplo, curvas superpuestas, esquemas de color, líneas de referencia) y selecciona técnicas aplicables de una "caja de herramientas".
Ejecución Determinista: El agente genera código Python para ejecutar una extracción de precisión de píxeles. Las técnicas incluyen:
- Detección de cajas delimitadoras mediante marcas de graduación (verificadas mediante regresión lineal).
- Separación de color/escala de grises utilizando coincidencia de tono HSL o umbrales de intensidad.
- Limpieza de líneas de referencia para eliminar líneas de cuadrícula que no sean de la curva.
- Rastreo de curvas con imposición de continuidad y cierre de brechas en líneas discontinuas.
Bucle de Autoverificación: El agente realiza cinco comprobaciones independientes (por ejemplo, $S(0) \approx 1.0$ , monotonicidad, alineación de anotaciones de la mediana) y reextrae hasta que todos los anclajes superen las pruebas.
Salida: Un documento JSON que contiene las coordenadas reconstruidas $(t_i, S_i)$ para cada brazo de tratamiento.

2.2. Metodología de generación de IPD sintéticos

El componente de generación convierte los registros de registros de ensayos clínicos (por ejemplo, ClinicalTrials.gov) y los datos KM extraídos en cohortes de IPD sintéticos a través de tres etapas:

Extracción de Configuración (Agente de LLM):
- El agente analiza los registros de los ensayos en una configuración JSON estructurada y compatible con MedDRA.
- Prioridad Estricta de la Fuente: Los datos se extraen en una jerarquía: (1) resultados estructurados de ClinicalTrials.gov (primario), (2) CSVs de KM reconstruidos, (3) publicaciones primarias y (4) Planes de Análisis Estadístico (SAP).
- La salida incluye demografía por brazo, tiempos de tratamiento (longitud de ciclo, división de inducción/mantenimiento) y probabilidades de incidencia de eventos adversos.
Extracción de Arquetipos de Pacientes:
- La configuración se expande en "arquetipos" discretos basados en el producto cruzado de cuatro dimensiones de riesgo: Edad, Sexo, estado de desempeño ECOG y Comorbilidad (Índice de Comorbilidad de Charlson).
- Cada arquetipo se asigna multiplicadores de riesgo ( $m_{OS}$ para supervivencia, $m_{AE}$ para eventos adversos) derivados de prioridades clínicas (revisiones de literatura sobre oncología geriátrica y toxicidad).
Muestreo Estadístico (Muestreador Determinista):
- Asignación de Supervivencia: Utiliza acoplamiento de correlación de rango de bootstrap. El muestreador toma muestras de bootstrap de la curva KM empírica y las asigna a los pacientes basándose en sus puntuaciones de "fragilidad" (derivadas de los multiplicadores de riesgo de los arquetipos). Esto preserva exactamente la distribución de supervivencia marginal mientras induce la estratificación de riesgo dentro de la cohorte.
- Programación de Eventos Adversos: Los eventos se programan en una rejilla temporal basada en ciclos (que coincide con los programas de visitas de los ensayos).
  - División de Fase: Los eventos se programan con una división de inducción/mantenimiento ( $\alpha$ frente a $1-\alpha$ ), lo que refleja tasas de eventos más altas durante los ciclos iniciales de dosis alta.
  - Fragilidad Compartida: Se aplica un modificador de propensión a nivel de paciente ( $\eta_i$ ) de forma multiplicativa a través de todos los sistemas orgánicos para inducir una correlación positiva entre los AE dentro del mismo paciente, imitando la "carga de toxicidad" de los pacientes reales.

3. Contribuciones Clave

Marco Unificado: KMGen es el primer sistema de extremo a extremo que combina la extracción híbrida adaptativa con la generación sintética determinista para una accesibilidad integral de los IPD.
Benchmark de Extracción Automatizada: La evaluación en un benchmark de 32 gráficos (que abarca condiciones limpias, de casos límite y adversas) logró un Error Absoluto Integrado (IAE) medio de 0.0151, competitivo con herramientas guiadas por humanos pero totalmente automatizado.
Generación de Alta Fidelidad: El marco genera IPD sintéticos que incluyen trayectorias tanto de supervivencia como de eventos adversos. Logra una diferencia absoluta de la KM media ( $\Delta_{KM}$ ) de $\le 0.051$ y recupera $\ge 71\%$ de los 15 principales eventos adversos por término exacto de MedDRA en tres ensayos oncológicos no utilizados en el entrenamiento.
Interpretabilidad y Código Abierto: El pipeline es interpretable de extremo a extremo, con las prioridades clínicas como parámetros explícitos en lugar de pesos latentes. El código se publica como código abierto.

4. Resultados

El marco fue evaluado en tres ensayos oncológicos (NCT03041311, NCT02499770, NCT00844649) con tamaños de cohorte que variaban de 37 a 430 pacientes, utilizando un único conjunto de parámetros fijos.

Rendimiento de la Extracción:
- Benchmark Sintético: IAE medio = 0.0151. El rendimiento se degradó ligeramente en pruebas de estrés de combinación (IAE medio = 0.0283) pero se mantuvo robusto.
- Ensayos Reales: IAE medio contra los IPD entregados por el patrocinador = 0.0262.
Rendimiento de la Generación (Etapa B):
- Supervivencia: $\Delta_{KM}$ media $\le 0.051$ . Los errores relativos de la mediana de OS oscilaron entre 7.0% y 19.4%. La prueba Mann–Whitney U no pudo rechazar la hipótesis nula para los ensayos más pequeños, pero la rechazó para el ensayo más grande (NCT00844649) debido a un desplazamiento de la mediana de 1.3 meses impulsado por el poder estadístico, no por un desajuste estructural.
- Demografía: JSD de Sexo $\le 0.006$ y JSD de ECOG $\le 0.013$ (donde el soporte coincidía).
- Eventos Adversos: El solapamiento de los 15 principales AE fue $\ge 71\%$ . La similitud de coseno para la frecuencia de AE alcanzó 0.940 en el ensayo más grande.
- Temporalidad: El error medio de inicio fue $\le 0.71$ meses. Los inicios sintéticos exhibieron un rayado por longitud de ciclo (un artefacto del modelo de muestreo basado en ciclos), lo cual es consistente con la naturaleza de las visitas en los datos de ensayos reales.
- Carga: El conjunto de parámetros por defecto fue ligeramente inferior a la carga de AE real; ajustar la varianza de la propensión ( $\sigma_\eta$ ) de 0.4 a 0.8 redujo significativamente esta brecha sin afectar las métricas de supervivencia.

5. Significado y Reivindicaciones

El artículo afirma que KMGen aborda un cuello de botella crítico en la investigación clínica al permitir la creación de IPD sintéticos para el desarrollo metodológico en entornos donde los datos reales están restringidos.

Interpretabilidad: Al desacoplar la extracción de arquetipos impulsada por LLM del muestreo estadístico determinista, el marco asegura que las prioridades clínicas (por ejemplo, divisiones de inducción/mantenimiento, multiplicadores de riesgo) sean explícitas y auditables.
Preservación Marginal: El uso de acoplamiento de correlación de rango de bootstrap garantiza que la distribución de supervivencia marginal se preserve exactamente por construcción, independientemente de los parámetros de ruido.
Alcance y Limitaciones: Los autores declaran explícitamente que el marco está validado actualmente en ensayos oncológicos (tres clases distintas de fármacos) y está destinado a aplicaciones metodológicas (por ejemplo, pruebas de estrés para modelos de supervivencia, validación de algoritmos de seguridad). No afirman que los datos sintéticos sean un sustituto de los ensayos controlados aleatorizados o que sean adecuados para reclamos regulatorios. El marco modela correlaciones estructurales (por ejemplo, una supervivencia más corta limita la oportunidad de eventos), pero no simula vías causales donde la toxicidad induce la mortalidad.

El trabajo demuestra que un enfoque basado en habilidades, donde los LLM manejan la estrategia y la generación de código mientras que los algoritmos deterministas manejan la precisión, puede cerrar eficazmente la brecha entre las estadísticas de resumen publicadas y los datos granulares requeridos para el aprendizaje automático avanzado en la atención médica.