💬 NLP

PARHAF, a human-authored corpus of clinical reports for fictitious patients in French

Dit paper introduceert PARHAF, een groot, open-source corpus van door experts geschreven, fictieve klinische rapporten in het Frans dat is ontwikkeld om de privacyproblematiek bij het delen van medische data te omzeilen en zo de training en evaluatie van klinische taalmodellen in Frankrijk mogelijk te maken.

Oorspronkelijke auteurs: Xavier Tannier, Salam Abbara, Rémi Flicoteaux, Youness Khalil, Aurélie Névéol, Pierre Zweigenbaum, Emmanuel Bacry

Gepubliceerd 2026-03-24

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Xavier Tannier, Salam Abbara, Rémi Flicoteaux, Youness Khalil, Aurélie Névéol, Pierre Zweigenbaum, Emmanuel Bacry

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een super slimme computer wilt bouwen die artsen helpt. Deze computer moet medische rapporten lezen, samenvatten en diagnoses helpen stellen. Maar er is een groot probleem: privacy.

In het echte leven zijn patiëntendossiers als een geheime schatkist. Ze bevatten waardevolle informatie, maar je mag ze niet zomaar openen en rondgeven omdat ze privégevoelige namen en details bevatten. Zonder deze schatkist kunnen de computerwetenschappers hun "supercomputer" (een AI) niet goed trainen. Het is alsof je een kok wilt leren koken, maar je mag geen echte ingrediënten gebruiken.

Hier komt PARHAF om de hoek kijken.

Wat is PARHAF eigenlijk?

PARHAF is geen verzameling van echte patiëntendossiers. Het is een gigantisch boek met fictieve verhalen.

Stel je voor dat een groep van 104 jonge artsen (in opleiding) wordt gevraagd om verzonnen patiënten te bedenken. Ze krijgen een opdracht: "Schrijf een verslag over een patiënt die 45 jaar is, een gebroken heup heeft en in het ziekenhuis ligt, maar gebruik geen echte namen."

Deze artsen schrijven duizenden van deze verhalen. Omdat de patiënten niet bestaan, zijn de verhalen 100% anoniem. Ze zijn veilig om te delen met iedereen, overal ter wereld. Het is alsof ze een spookdorp hebben gebouwd waar alles eruitziet als een echt ziekenhuis, maar waar niemand echt ziek is.

Hoe hebben ze dit gedaan?

Het was niet zomaar "verzin maar wat". Ze wilden dat de verhalen echt aanvoelden.

De Blauwdruk: Ze keken naar de statistieken van het hele Franse ziekenhuisnetwerk. Ze zagen bijvoorbeeld dat er veel mensen met longontsteking zijn en minder met een zeldzame huidziekte. Ze maakten een "recept" zodat hun fictieve ziekenhuis precies dezelfde verdeling had als het echte ziekenhuis.
De Schrijvers: Ze vroegen 104 artsen in opleiding om de verhalen te schrijven. Elke arts kreeg een specifiek scenario (bijvoorbeeld: "een zwangere vrouw met een hoge bloeddruk").
De Controle: Andere artsen keken de verhalen na om te zorgen dat ze medisch logisch waren. Als een verhaal te raar klonk, werd het weggegooid.

Waarom is dit zo'n groot ding?

Vroeger moesten onderzoekers in Frankrijk en Europa worstelen met strenge privacywetten. Ze konden geen data delen, en dus werkten ze allemaal in hun eigen eilandje.

Met PARHAF hebben ze een gemeenschappelijke speelplaats gecreëerd:

Voor AI-onderzoekers: Ze kunnen nu hun modellen trainen op deze fictieve data. Het is alsof ze kunnen oefenen op een vliegsimulator voordat ze echt vliegen.
Voor privacy: Omdat de data verzonnen is, is er geen risico dat iemand zijn of haar medische geheimen lekt.
Voor onderwijs: Medische studenten kunnen oefenen met het schrijven van verslagen zonder dat ze bang hoeven te zijn dat ze een echte patiënt beschadigen.

De "Geheime" Deel

Er is nog een klein geheim: een deel van deze verzameling verhalen wordt voorlopig niet vrijgegeven. Waarom? Om te voorkomen dat de slimste AI's van de wereld deze verhalen al hebben gelezen voordat ze getest worden. Zo kunnen onderzoekers in de toekomst nog eerlijk testen of hun nieuwe AI echt slim is, of dat hij het antwoord al "kreeg" omdat hij de data al kende.

Samenvattend

PARHAF is een gigantisch, anoniem ziekenhuis van de verbeelding. Het is een geschenk aan de wereld van technologie en geneeskunde: een manier om slimme computers te leren hoe artsen werken, zonder dat we de privacy van echte mensen hoeven te riskeren. Het is alsof ze een perfecte, veilige replica van de realiteit hebben gebouwd, zodat we de toekomst van de zorg kunnen verkennen.

Technische Samenvatting: PARHAF

Titel: PARHAF, a human-authored corpus of clinical reports for fictitious patients in French (PARHAF, een door mensen geschreven corpus van klinische rapporten voor fictieve patiënten in het Frans)

1. Het Probleem

De ontwikkeling van systemen voor klinische Natural Language Processing (NLP) in het Frans wordt ernstig gehinderd door de gevoelige aard van medische dossiers.

Privacybeperkingen: Strikte privacywetgeving in de Europese Unie (en specifiek in Frankrijk) maakt het delen van echte patiëntgegevens bijna onmogelijk.
Tekort aan open data: In tegenstelling tot de VS (waar bronnen zoals MIMIC beschikbaar zijn), ontbreekt er een groot, openbaar en bruikbaar corpus van Franse klinische teksten.
Beperkingen van bestaande proxies:
- Geanonimiseerde data: Pseudonimisering garandeert geen volledige anonimiteit en maakt vrije distributie onmogelijk.
- Vertalingen: Vertaalde Engelstalige datasets passen niet perfect bij de Franse gezondheidszorgcultuur en -systemen.
- Synthetische data (AI):n: Generatieve AI-modellen kunnen privacylekken veroorzaken of de balans tussen privacy en nuttigheid niet optimaal vinden.
- Bestaande corpora: Veel bestaande bronnen (zoals MERLOT) zijn niet openbaar beschikbaar vanwege ethische beperkingen.

2. Methodologie

Om deze "privacy-flesnek" te doorbreken, hebben de auteurs een corpus ontwikkeld dat per definitie anoniem en deelbaar is, omdat het bestaat uit volledig fictieve patiëntcases die door medisch professionals zijn geschreven.

Auteurschap: 104 medische residenten uit 18 verschillende specialismen hebben rapporten geschreven.
Protocol en Sturing:
- Epidemiologische basis: De klinische scenario's zijn gebaseerd op data van het Franse Nationale Gezondheidsdatasysteem (SNDS). Er werd gebruikgemaakt van Diagnosis-Related Groups (DRG's), ICD-10-diagnoses, leeftijd, geslacht en opnameduur.
- Steekproefstrategie: Om realisme te garanderen zonder te veel te focussen op veelvoorkomende aandoeningen, werd een kwadratische wortel-transformatie ( $\sqrt{f_i}$ ) toegepast op de frequenties uit de SNDS-data, met een bovengrens (cap) om dominantie van specifieke diagnoses te voorkomen.
- Structuur: De auteurs volgden gestructureerde sjablonen voor verschillende type opnames (medisch, chirurgisch, verloskunde, oncologie). Ze moesten de rapporten schrijven in een "geleide maar vrije tekst"-formaat om ecologische validiteit te behouden.
- Kwaliteitsborging: Een tweestapsproces werd toegepast:
  1. Schrijven door een resident (geschatte tijd: 45 min).
  2. Review en validatie door een tweede expert (geschatte tijd: 15 min).
  3. Automatische "sanity checks" voor structuur en consistentie.
  4. Menselijke validatie resulteerde in een afkeuringspercentage van 3,6%.
Uitsluiting van AI: Het gebruik van generatieve AI-tools werd afgeraden om bias in stijl en inhoud te voorkomen.

3. Belangrijkste Bijdragen (Key Contributions)

Het PARHAF-corpus: Een open-source corpus van 7.394 klinische rapporten die 5.009 fictieve patiëntcases beschrijven.
Diversiteit: Het corpus dekt een breed scala aan medische en chirurgische specialismen en documenttypes (ontslagrapporten, operatieverslagen, pathologierapporten, etc.).
Specialistische Subsets: Naast een algemene distributie zijn er vier gespecialiseerde subsets voor specifieke NLP-taken:
1. ICD-10 codering (chirurgie).
2. Identificatie van biomarkers in oncologie.
3. Classificatie van respons op behandeling in oncologie.
4. Infectieziekten (bacteriën en infectiebronnen).
Licentie en Toegang: De dataset is vrijgegeven onder een CC-BY 4.0 licentie.
- Openbaar: 6.185 documenten (4.254 patiënten) zijn direct beschikbaar.
- Embargo: 1.209 documenten (755 patiënten) zijn tijdelijk gereserveerd voor toekomstige, gecontroleerde benchmarks om "data contamination" van Large Language Models (LLMs) te voorkomen.

4. Resultaten en Data-overzicht

Omvang: Het corpus bevat 5.518 uur effectief werk en kostte ongeveer €495.000 aan operationele kosten (voornamelijk vergoedingen voor artsen).
Datastructuur:
- De data is opgeslagen als een JSON-bestand met metadata en verwijzingen naar externe tekstbestanden (geen ingebouwde tekst in de JSON).
- De tekstbestanden zijn per specialisme in mappen georganiseerd.
- Er is ook een Hugging Face-dataset (Parquet/Arrow) beschikbaar.
Validatie: De dataset is technisch gevalideerd op consistentie van gestructureerde velden (diagnoses, procedures, opnameduur) en klinische coherentie.

5. Betekenis en Toepassingen

Privacy-vriendelijke ontwikkeling: PARHAF biedt een unieke oplossing voor het trainen en evalueren van Franse klinische taalmodellen zonder inbreuk te maken op privacywetgeving.
Reproduceerbaarheid: Het stelt onderzoeksgemeenschappen in staat om gezamenlijk te werken aan een gemeenschappelijke, open bron, wat de fragmentatie in het onderzoeksveld oplost.
Onderwijs: Het corpus kan worden gebruikt voor medisch onderwijs (trainen van studenten in klinisch redeneren en rapportage).
Methodologische doorbraak: Het paper presenteert een reproduceerbare methodologie voor het bouwen van deelbare, synthetische klinische corpora in andere talen en zorgsystemen.
Beperkingen: Het corpus is niet bedoeld voor klinische besluitvorming, diagnose of reguliere goedkeuring. De verdelingen zijn gebaseerd op epidemiologische schattingen en niet op echte, actuele populaties, waardoor het niet geschikt is voor epidemiologische inferentie of het testen van zeldzame bijwerkingen.

Conclusie: PARHAF is een mijlpaal in de Franse klinische NLP, die de kloof overbrugt tussen de noodzaak van grote datasets en de strikte privacyregels, door te kiezen voor hoogwaardige, menselijk gegenereerde fictieve data.