Generating Multi-Table Time Series EHR from Latent Space with Minimal Preprocessing

Dit paper introduceert RawMed, het eerste framework dat multi-tabel tijdsreeks EHR-data genereert vanuit een latente ruimte met minimale preprocessing, en dat door middel van tekstgebaseerde representatie en compressie complexe structuren en temporele dynamieken nabootst terwijl het privacybehoeften respecteert.

De kern

Stel je voor dat een ziekenhuis een enorme, complexe bibliotheek is. In deze bibliotheek staan niet gewoon boeken, maar duizenden dossiers van patiënten. Elk dossier bevat een verhaal over wat er is gebeurd: welke medicijnen zijn gegeven, welke bloedtesten zijn gedaan, en hoe de hartslag is veranderd, allemaal op exacte tijdstippen. Dit noemen we Elektronische Gezondheidsdossiers (EHR).

Het probleem? Deze dossiers zijn volgepropt met privé-informatie. Ze mogen niet zomaar gedeeld worden, net zoals je niet je dagboek aan een vreemde mag geven. Dit maakt het heel moeilijk voor onderzoekers om nieuwe medicijnen te vinden of ziektes beter te begrijpen, omdat ze geen toegang hebben tot genoeg data.

De oplossing? Fake dossiers maken. Maar dan niet zomaar nep, maar dossiers die er precies uitzien als de echte, zonder dat ze ook maar één echte persoon verraad.

Hier komt RawMed om de hoek kijken. Dit is een slim computerprogramma dat deze nep-dossiers maakt. Hier is hoe het werkt, verteld in gewone taal:

1. Het probleem met de oude methoden: "De Versnipperde Puzzel"

Vroeger maakten computers nep-dossiers door alleen de belangrijkste stukjes van de puzzel te gebruiken. Ze namen bijvoorbeeld alleen de bloeddruk en de naam van het medicijn, maar lieten de rest weg.

• De analogie: Stel je voor dat je een foto van een huis wilt maken, maar je knipt alleen de deur en het raam uit en plakt die op een wit vel papier. Je ziet eruit als een huis, maar het is geen echt huis. Als je later wilt weten hoe de dakgoten eruitzagen, kun je dat niet meer doen.
• Het nadeel: De oude methoden maakten de data vaak ook nog eens "plat" door getallen in bakjes te stoppen (bijv. "hoog" of "laag" in plaats van 120, 121, 122). Hierdoor verdwenen de fijne details die voor artsen zo belangrijk zijn.

2. De oplossing van RawMed: "De Perfecte Kopie"

RawMed doet iets heel anders. Het kijkt niet naar losse stukjes, maar naar het hele originele dossier, inclusief alle kleine details, getallen en tijdstippen.

• De analogie: In plaats van een foto te knippen, neemt RawMed een 3D-scanner die het hele huis (het dossier) in één keer scant, tot op de laatste steen. Het maakt een exacte kopie van de structuur, zonder iets weg te gooien of te veranderen.
• De truc: Omdat deze dossiers soms gigantisch lang zijn (duizenden regels tekst), zou een computer daar gek van worden. Daarom gebruikt RawMed een slimme truc: het compressie.
  • Stel je voor: Je hebt een boek van 1000 pagina's. RawMed leest het, schrijft de essentie op een klein kaartje (een "geheime code" of latent space), en leest dat kaartje dan weer terug in een nieuw boek. Het nieuwe boek ziet er precies hetzelfde uit als het origineel, maar het was veel sneller te maken.

3. Hoe werkt het precies? (De "Tijdmachine")

RawMed ziet een patiëntendossier als een verhaal dat in de tijd afspeelt.

1. Vertalen naar tekst: Het programma zet alle medische data (bloedwaarden, medicijnen) om in simpele zinnen, alsof het een verhaal is.
2. Samenvatten: Het maakt een korte, samengevatte versie van dat verhaal (de compressie).
3. Verder vertellen: Een slim AI-model (een soort super-intelligente verteller) leest die samenvatting en bedenkt het volgende stukje van het verhaal. Het vraagt zich af: "Als de patiënt om 10:00 uur medicijn X kreeg, wat is dan de kans dat hij om 10:30 uur een bloedtest heeft?"
4. Terugvertalen: Het AI-model schrijft het nieuwe verhaal op, en RawMed zet dit weer om in een nieuw, compleet medisch dossier.

4. Waarom is dit zo speciaal?

• Geen "Goochelen" met data: De oude methoden veranderden de data vaak (bijv. "120" werd "hoog"). RawMed houdt de echte getallen ("120") vast.
• Alles in één keer: Het maakt niet alleen één tabel, maar het hele ziekenhuisdossier tegelijk: de labresultaten, de medicijnen, de infusies, allemaal met de juiste tijdsrelaties.
• Veiligheid: Het programma is getest om te zorgen dat het nep-dossier niet te veel lijkt op een echt dossier van een specifieke persoon. Het is alsof je een nep-gezicht maakt dat eruitziet als een mens, maar niet identiek is aan iemand die echt bestaat.

Conclusie

Met RawMed kunnen ziekenhuizen nu een "zandkasteel" van data maken. Ze bouwen een perfect kopie van hun patiëntendossiers, maar dan zonder de echte mensen erin. Onderzoekers kunnen dan spelen met dit zandkasteel, nieuwe medicijnen testen en patronen zoeken, zonder dat er ook maar één patiënt zijn privacy verliest.

Het is alsof we een tijdmachine hebben gebouwd die ons toelaat om te oefenen met het genezen van ziektes in een veilige, virtuele wereld, terwijl de echte wereld veilig blijft.

Technische samenvatting

Titel: RawMed: Generatie van Multi-Tabel Tijdsreeks EHR-data vanuit Latente Ruimte met Minimale Preprocessing

1. Het Probleem

Elektronische Gezondheidsrecords (EHR) zijn complexe, relationele databases die patiëntinteracties en medische gebeurtenissen over de tijd vastleggen. Ze zijn essentieel voor medisch AI-onderzoek, maar hun gebruik wordt beperkt door privacyregels en gevoelige persoonsgegevens, wat het delen van echte data bemoeilijkt.

Bestaande methoden voor het genereren van synthetische EHR-data hebben drie belangrijke beperkingen:

1. Afhankelijkheid van feature-selectie: Bestaande modellen genereren vaak alleen een subset van kolommen (bijv. slechts enkele vitale tekens) op basis van domeinkennis. Dit beperkt de bruikbaarheid voor nieuwe onderzoeksvragen die andere variabelen vereisen.
2. Verliesrijke preprocessing: Methoden gebruiken vaak complexe transformaties zoals het binning van numerieke waarden, aggregatie van tijdsreeksen of normalisatie van termen. Dit kan waardevolle patronen vervormen, subtiele trends maskeren en de nauwkeurigheid voor voorspellende modellen verminderen.
3. Gebrek aan tijdsreeks- en multi-tabel integratie: Veel modellen behandelen tabellen als losse entiteiten of negeren de complexe temporale dynamiek tussen verschillende medische gebeurtenissen.

2. Methodologie: Het RawMed Framework

RawMed is het eerste framework dat ruwe (raw) multi-tabel tijdsreeks EHR-data genereert, waarbij alle kolommen en originele waarden behouden blijven zonder verliesrijke preprocessing. De architectuur bestaat uit drie kerncomponenten:

• Tekstgebaseerde Representatie:
  In plaats van numerieke transformaties, worden EHR-gegevens (tabellen zoals labevents, prescriptions, inputevents) omgezet in tekstuele representaties. Een gebeurtenis wordt geserialiseerd als een string (bijv. "lab item Glucose value 95 uom mg/dL"). Dit behoudt de originele semantiek en maakt het model schema-onafhankelijk.

• Compressie via Residual Quantization (RQ):
  Omdat tekstuele representaties van lange tijdsreeksen zeer lang kunnen worden (wat de computationele kosten explodeert), gebruikt RawMed een compressiemodule.

  • Een Event Encoder (CNN) transformeert de tekstuele embedding naar een latente ruimte.
  • Residual Quantization (RQ) wordt toegepast om deze continue embeddings te comprimeren tot discrete latent codes. In tegenstelling tot standaard Vector Quantization (VQ), deconstrueert RQ het residu over meerdere dieptes (layers), wat zorgt voor een veel hogere fideliteit bij het behouden van onafhankelijke verdelingen (zoals numerieke labwaarden) zonder de originele verdeling te vervormen.
  • Dit resulteert in een compacte, discrete tijdsreeks in de latente ruimte.

• Temporale Modellering (TempoTransformer):
  Een Transformer-architectuur (TempoTransformer) voert autoregressieve modellering uit op de gecomprimeerde sequenties.

  • De tijdstempels worden apart getokeniseerd (bijv. als cijfers) en geïntegreerd met de gebeurtenistokens.
  • Het model leert de volgorde van gebeurtenissen en de tijdsintervallen tussen hen te voorspellen.
  • Tijdens de generatie worden tokens gesampled en vervolgens via een Decoder teruggezet naar tekst, en uiteindelijk naar relationele tabellen.

• Postprocessing:
  Om de structurele integriteit te garanderen, wordt een verificatiestap uitgevoerd. Dit omvat het corrigeren van spelfouten in kolomnamen (via Levenshtein-afstand), het verwijderen van ongeldige karakters in numerieke velden en het verwerpen van patiënttrajecten die niet chronologisch kloppen of buiten het observatievenster vallen.

3. Belangrijkste Bijdragen

1. Eerste Multi-Tabel & Tijdsreeks Generatie: RawMed is het eerste systeem dat in staat is om volledige, ruwe multi-tabel EHR-databases te genereren, inclusief alle kolommen en originele waarden, in plaats van een geselecteerde subset.
2. Nieuw Evaluatiekader: De auteurs introduceren een uitgebreid evaluatiekader specifiek voor ruwe, multi-tabel tijdsreeksdata. Dit omvat:
   • Distributionele gelijkenis: CDE (Column-wise Density Estimation) en I-CDE (item-specifiek).
   • Inter-tabel relaties: PCC (Pairwise Column Correlation) en I-PCC.
   • Tijdsfideliteit: Time Gap (intervallen tussen gebeurtenissen) en Event Count.
   • Clinical Utility: Prestaties op downstream predictietaken (AUROC).
   • Privacy: Beveiliging tegen Membership Inference Attacks (MIA).
3. Open Source Validatie: Het model is gevalideerd op twee grote open-source datasets (MIMIC-IV en eICU) en de code is openbaar gemaakt.

4. Resultaten

RawMed werd getest op MIMIC-IV en eICU datasets en vergeleken met state-of-the-art baselines zoals SDV, RC-TGAN, ClavaDDPM en een aangepaste RealTabFormer (LLM-based).

• Fideliteit: RawMed presteerde significant beter dan alle baselines op zowel lage-orde statistieken (CDE, PCC) als hoge-orde afhankelijkheden. Het slaagde erin om de verdeling van specifieke klinische items (bijv. specifieke medicijnen of labtesten) nauwkeuriger na te bootsen dan andere methoden.
• Tijdsdynamiek: Op het gebied van tijdsfideliteit (Time Gap en Event Count) overtrof RawMed de concurrenten met grote marges. Waar andere modellen vaak de intervallen tussen gebeurtenissen verkeerd simuleerden, behield RawMed de realistische temporale patronen (KS-statistieken van 0.01-0.03 vs. 0.40+ bij baselines).
• Clinical Utility: Modellen getraind op RawMed-data behaalden bijna dezelfde prestaties (AUROC) als modellen getraind op echte data voor 11 verschillende klinische voorspellingsopgaven (bijv. voorspellen van creatinine-niveaus of medicatiegebruik). Baselines scoorden aanzienlijk lager.
• Privacy: RawMed toonde een zeer lage kwetsbaarheid voor Membership Inference Attacks (MIA), met een nauwkeurigheid dicht bij willekeurig gissen (~50%), wat aangeeft dat de gegenereerde data geen gevoelige informatie over individuele patiënten in de trainingsset onthult.
• Efficiëntie: Door het gebruik van compressie (RQ) kon RawMed veel langere sequenties verwerken dan niet-gecomprimeerde LLM-baselines (RealTabFormer), met een reductie in sequentielengte van 74-84% zonder kwaliteitsverlies.

5. Betekenis en Impact

Deze studie markeert een doorbraak in de synthese van medische data. Door te bewegen weg van geselecteerde features en verliesrijke preprocessing naar een ruwe, tekstgebaseerde aanpak met compressie, biedt RawMed:

• Flexibiliteit: Onderzoekers kunnen de gegenereerde data gebruiken voor elke denkbare analyse zonder dat ze eerst nieuwe features moeten definiëren of data opnieuw moeten transformeren.
• Privacy: Het biedt een veilige, privacy-bewuste vervanging voor echte patiëntdata, wat samenwerking tussen ziekenhuizen en onderzoekers mogelijk maakt zonder privacyrisico's.
• Kwaliteit: De hoge fideliteit zorgt ervoor dat AI-modellen getraind op synthetische data betrouwbaar zijn voor downstream taken, wat de ontwikkeling van medische AI versnelt.

Kortom, RawMed lost het dilemma op tussen privacybeveiliging en data-utility door een schaalbaar, hoogwaardig framework te bieden dat de complexiteit van echte EHR-systemen volledig nabootst.