Metadata-based Methods to Generate Synthetic Health Data: A Scoping Review

あなたは、ミステリーを解決しようとしている探偵だと想像してください。しかし、警察が犯罪現場を封鎖してしまいました。あなたは、現実の人物に関するプライベートな情報が含まれているため、本物の証拠に触れることはできず、ルールによってそれらを家に持ち帰ることも禁止されています。これは、健康データを研究している科学者たちが直面している状況そのものです。彼らは、コンピューターのスクリプトや理論をテストするために、「電子健康記録（EHR）」—患者の受診、診断、処方薬のデジタルファイル—を使用する必要がありますが、プライバシー法に抵触するため、本物のファイルを使用することはできません。そこで、彼らには「代用品」が必要です。彼らが必要としているのは「合成データ」です。それは、誰のものでもない、本物そっくりで、かつ本物のように振る舞う偽の患者記録です。

通常、これらの偽の記録を作成するために、科学者は複雑な機械学習ロボットの中に本物のデータをコピー＆ペーストしようとします。しかし、このロボットは「ブラックボックス」です。つまり、密かに動作しており、もし誤って実在する人物の秘密を漏洩させてしまったら、それは災厄となります。さらに、多くの現代的な研究セットアップである「フェデレーション解析（連合解析）」では、本物のデータは異なる病院の中にロックされており、ファイルは決して共有されません。ロボットはデータを見ることができないため、機能することができません。ここで、異なるアプローチが登場します。「メタデータベース」の手法です。個々の患者の乱雑でプライベートな詳細を見る代わりに、これらの手法は「レシピ」や「設計図」を使用します。彼らは要約統計量（例：「50%の患者が50歳以上である」）や公開知識を利用して、実在するプライベートなファイルを見る必要なく、ゼロから偽の患者を構築します。

この論文は、スコーピング・レビューであり、それは巨大な地図作成の遠征のようなものです。著者であるユトレヒトの研究チームは、このような「設計図のみ」に基づく偽の健康記録を構築するためのツールがどのようなものかを知りたいと考えました。彼らは単にツールを探しただけでなく、「ルールブック」についても調べました。彼らはこう問いかけました。その偽のデータが良いものであることを、どうすれば判断できるのか？ 安全であることを保証するためのルールはあるのか？ そして最も重要なのは、本物のデータに触れる前に、この偽の記録を使ってコードをテストできるのか？ ということです。

チームは科学文献を徹底的に調査し、23件の関連論文を見つけ出しました。そのうち12件はデータの作成に関する具体的な手法を記述しており、11件はデータの判定方法や法的ルールについて論じたレビューでした。彼らが発見した内容は以下の通りです。

ツール：設計図による構築
研究者たちは、この「設計図」データを生成する6つの主要な方法を見つけました。

• Synthea: これは最も有名なツールです。ビデオゲームのキャラクタークリエイターのようなものです。米国の国勢調査などの公開データに基づいた集団からスタートします。そして、患者の人生をステップ・バイ・ステップでシミュレートします。これは「モンテカルロ法」（確率に基づいてデジタルなサイコロを振るという、より高度な言い方）を用い、患者がいつ耳の感染症にかかるか、その時何歳であるか、どのような薬を処方されるかを決定します。公開知識とユーザー設定を用いて、患者の生涯にわたる医療履歴を構築するため、実在する患者のファイルは一切必要としません。
• OSIM: このツールは、健康データの標準フォーマットである「OMOP共通データモデル」の言語を話すように設計されています。要約テーブル（例：「糖尿病の患者が何人いるか」）を受け取り、その標準に適合する偽のデータセットを構築します。
• SASC: COVID-19データに特化したウェブベースのアプリです。要約テーブルを受け取り、検査結果や転帰を含む偽の患者記録を生成します。
• Davisらによる手法: これは、「学習」をシミュレートするという点でユニークです。医師が時間を経て患者の治療が上手くなっていく様子を想定しています。この手法は、改善の曲線を含んだ偽のデータを構築するため、新しい治療法が現実世界でどのように機能するかをテストするのに適しています。
• ODM Generator: このツールは少し異なります。データが統計的にリアルに見えるようにすることを目指すのではなく、臨床試験のための正しい「文法（構文）」に従っていることを保証します。データの構造に関するスペルチェッカーのようなものです。
• Barrらによる手法: 大規模言語モデル（GPT-4oのようなもの）を使用した新しいアプローチです。研究者たちはAIに統計のリスト（例：「平均年齢は45歳」）を与え、偽の患者のテーブルを書くよう指示しました。これは非常に新しく、実験的な方法です。

問題点：ツールはあるが、ルールブックがない
ここには物語のひねりがあります。著者たちはこれらのツールを見つけましたが、それらが機能するかどうかをチェックする方法に大きなギャップがあることを見出しました。

• 「忠実度（Fidelity）」の罠: これらの手法がテストされる際、ほとんどの場合、研究者は「忠実度」のみをチェックしていました。つまり、「偽のデータは本物のデータに似ているか？」と問うているのです。彼らは平均値やチャートを比較しました。しかし、「有用性（Utility）」についてはほとんど確認していませんでした。有用性とは、「この偽のデータは、実際にコードを改善したり問題を解決したりするのに役立つか？」と問うものです。
• 失われた繋がり: 論文は、これらのメタデータベースの手法が、特定のユースケース、すなわち「フェデレーション解析におけるコード開発」のためにテストされていないことを明示的に指摘しています。私たちは、これらの偽のデータが、後に安全で隔離された病院のデータ上で実行されるスクリプトをテストするのに「十分な品質である」かどうかを知らないのです。
• 評価の混乱: 著者たちは、合成データの判断方法に関する他の11のレビューを調査しました。そこで、定義の混乱を発見しました。ある人々はそれを「忠実度」と呼び、別の人は「類似性」や「類似性」と呼びます。また、ある人は「公平性」（偽のデータがマイノリティに対して偏見を持たないようにすること）を含めていますが、他の人はそれを無視しています。統一された、合意されたルールブックは存在しません。
• 法的なグレーゾーン: このレビューは、法的および倫理的な側面についての議論が極めて少ないことを明らかにしました。実在のデータにはルールがありますが、この「偽の」データに関するルールはまだ曖昧です。著者らは、FDAやEMAといった主要な規制当局がまだ明確なガイダンスを与えていないことを指摘しています。

結論
この論文は、実在の患者を見ることなく、偽の健康データを構築するための興味深い方法が詰まったツールボックスを持っている、と結論付けています。しかし、私たちは目隠しをして飛んでいる状態です。これらのツールをテストする方法は標準化されておらず、安全でフェデレーションされた環境でコンピューターコードをテストするために、これらをどのように使用すべきかの具体的なルールも決まっていません。

著者らは、今後の研究は単に「それはリアルに見えるか？」と問うのではなく、「それは仕事のために機能するか？」と問うべきであると提案しています。彼らは、生成方法と意図された用途を一致させる、新しい標準化されたフレームワークを求めています。それまでは、これらのツールを使用して現実世界の健康研究のためのコードを構築することは、翼が実際の風洞実験で耐えられるかどうかも分からないまま、模型飛行機を組み立てるようなものです。ポテンシャルは巨大ですが、安全確認のプロセスはまだ執筆されている最中なのです。