Evaluation of synthetic data generation for longitudinal 6-year follow-up subclinical cardiovascular disease data using GAN models
Deze studie evalueert de prestaties van TGAN- en CTGAN-modellen bij het genereren van synthetische longitudinale cardiovasculaire ziektegegevens over een periode van 6 jaar, waarbij wordt vastgesteld dat hoewel CTGAN over het algemeen een superieure getrouwheid en privacy biedt vergeleken met TGAN en een perturbatie-baseline, het nog steeds verfijning vereist om de temporele kenmerken en prestaties bij jongere leeftijdsgroepen beter te behouden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Hartziekten blijven wereldwijd de belangrijkste doodsoorzaak, maar veel ervan is te voorkomen door veranderingen in de levensstijl en vroege interventie. Om betere manieren te ontwerpen om deze ziekten te stoppen voordat ze beginnen, hebben onderzoekers enorme hoeveelheden persoonlijke gezondheidsinformatie nodig. Ze kijken naar hoe bloeddruk, cholesterol en dagelijkse gewoonten gedurende vele jaren veranderen om het langetermijnverloop naar ziekte te begrijpen. Het delen van dit soort gedetailleerde, privégegevens is echter moeilijk. Strikte wetten beschermen de identiteit van patiënten, en mensen zijn vaak terughoudend om zelfs artsen hun volledige medische geschiedenis te laten zien uit angst voor lekken van de privacy. Dit creëert een knelpunt: wetenschappers kunnen de geavanceerde instrumenten die nodig zijn om hartziekten te voorkomen niet bouwen als ze geen toegang hebben tot de gegevens die nodig zijn om deze te trainen.
Om dit op te lossen, hebben onderzoekers zich gericht op een techniek genaamd synthetische datageneratie. Stel je voor dat je een compleet nieuwe set patiëntendossiers maakt die er precies zo uitzien en zich precies zo gedragen als echte dossiers, maar waarbij elke persoon volledig fictief is. Deze nepdossiers behouden de complexe relaties tussen verschillende gezondheidsfactoren — zoals hoe leeftijd, dieet en genetica met elkaar interageren — zonder enige werkelijke privé-informatie over echte mensen te bevatten. Hoewel dit idee is getest op momentopnames van gegevens die op een enkel moment zijn genomen, is het niet breed toegepast op langetermijngegevens die mensen over vele jaren volgen. Dit gat is van belang omdat het voorkomen van hartziekten een langetermijndoel is, en instrumenten die gebouwd zijn op kortetermijngegevens kunnen de langzame, subtiele veranderingen die tot ziekte leiden, missen.
Een team van onderzoekers in Zweden en Italië heeft onlangs besloten te testen of huidige kunstmatige intelligentie-instrumenten deze langetermijnuitdaging aankunnen. Ze richtten zich op een specifiek type AI-model dat bekend staat als een generative adversarial network, wat werkt als een paar concurrerende computers. Eén computer probeert nep gezondheidsdossiers te maken, terwijl de andere probeert het verschil te zien tussen de nepversies en de echte versies. Door deze competitie leert de maker steeds realistischer gegevens te maken. Het team testte twee versies van deze technologie, één genaamd CTGAN en een eerdere versie genaamd TGAN, met behulp van een real-world dataset uit een zesjarige studie naar de preventie van hartziekten. Deze studie volgde duizenden mensen in Zweden en controleerde hun gezondheid aan het begin, na drie jaar en opnieuw na zes jaar. De onderzoekers wilden zien of de AI de patronen van deze veranderende gezondheidsdossiers goed genoeg kon leren om een nieuw, nep dataset te creëren dat wetenschappers kunnen gebruiken voor onderzoek zonder ooit de naam van een echte patiënt te zien.
De resultaten toonden aan dat het nieuwere model, CTGAN, over het algemeen beter was in het creëren van realistische gegevens dan zijn oudere tegenhanger. Wanneer de onderzoekers de nepversies vergeleken met de echte versies, slaagde het CTGAN-model erin de statistische patronen van de groep als geheel te behouden. Het was bijzonder goed in het afhandelen van categorieën gegevens, zoals burgerlijke staat of soorten medicatie. Wat betreheid privacy betreft, presteerden beide AI-modellen zeer goed en creëerden ze gegevens die veel minder waarschijnlijk de identiteit van een echt persoon zouden onthullen dan een simpelere, oudere methode waarbij simpelweg willekeurige ruis aan de getallen wordt toegevoegd. Dit suggereert dat het gebruik van deze geavanceerde AI-modellen onderzoekers de mogelijkheid kan geven om gevoelige gezondheidsgegevens vrijer te delen, wat de ontwikkeling van nieuwe preventietools versnelt.
Echter, de studie onthulde ook belangrijke beperkingen die onderzoekers moeten aanpakken voordat deze instrumenten klaar zijn voor breed gebruik. Hoewel de AI goed presteerde met de groep als geheel, had het meer moeite met specifieke subgroepen, met name jongere deelnemers. De gegevens voor mensen in de veertig waren minder nauwkeurig gereproduceerd dan de gegevens voor die in de zestig. Dit is een belangrijke bevinding omdat vroege preventie het meest cruciaal is voor jongvolwassenen. De AI had ook meer moeite met het nauwkeurig reproduceren van de vloeiende, continue veranderingen in getallen zoals bloedsuiker of cholesterolniveaus over de tijd in vergelijking met de simpelere methode van het toevoegen van ruis. De onderzoekers merkten op dat dit zou kunnen komen doordat de AI-modellen oorspronkelijk zijn ontworpen voor gegevens die op een enkel punt in de tijd worden verzameld, en niet voor de complexe, verschuivende patronen van een zesjarige reis.
Uiteindelijk suggereert de studie dat hoewel deze AI-instrumenten een krachtige stap voorwaarts zijn voor medisch onderzoek, ze nog niet perfect zijn. Ze kunnen nuttige, privacy-veilige gegevens genereren voor het bestuderen van de preventie van hartziekten, maar ze hebben verfijning nodig om de specifieke uitdagingen van langetermijnregistratie en diverse leeftijdsgroepen aan te kunnen. De auteurs concluderen dat dit de eerste keer is dat een dergelijke test is uitgevoerd op een langetermijn-dataset, en hun bevindingen bieden een noodzakelijke benchmark. Ze geven aan dat toekomstig werk zich moet richten op het verbeteren van hoe deze modellen omgaan met het verstrijken van de tijd en ervoor zorgen dat ze alle leeftijdsgroepen eerlijk behandelen, zodat de synthetische gegevens echt als een betrouwbare vervanger voor echte patiënten kunnen dienen in de strijd tegen hartziekten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.