Synthetic tabular healthcare data in health informatics: fixed-size substitution and incremental-value controls for predictive utility Application Paper
本研究发现，在评估条件下，合成表格化医疗数据并未带来系统性的预测效用收益；在控制了训练集规模和分区泄漏的严格比较中，除了少数特定场景下的改进外，其模型性能主要低于仅使用真实数据或自助法真实数据控制组的模型性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代医学中，计算机越来越多地被用于预测健康结果并帮助研究人员理解健康风险。为了教导这些计算机，研究人员需要大量的患者记录。然而，真实的医疗数据具有高度的个人隐私性，并受到严格隐私法的保护，这使得在医院或研究团队之间进行数据共享变得十分困难。为了解决这一问题，科学家们开发出了一种创建“合成”数据的方法。想象一下，有一台机器阅读了数千份真实的患者记录，学习了不同健康因素如何相互关联的模式，然后编写出新的、由计算机生成的记录，这些记录旨在模仿真实的记录，而不是描述新观察到的患者。此类记录仍然需要进行隐私检查。人们一直希望，通过将这些合成记录添加到真实记录中，研究人员可以为他们的计算机模型提供更多的练习材料，从而使它们变得更聪明、更准确。
来自葡萄牙波尔图大学的一个研究小组决定测试这一希望是否真的成真。他们想知道，添加合成记录是否真的提高了计算机预测健康结果的能力，或者这种感知到的提升是否在一定程度上反映了仅仅是给了计算机更多的行数据进行学习。他们专注于三个与糖尿病相关的不同公开数据集，范围涵盖大型国家健康调查、医院记录以及一个较小的问卷数据集。通过使用三种不同的方法来生成合成数据，他们进行了一系列严格的实验。在一组测试中，他们保持训练记录的总数完全相同，通过用合成行替换真实的患者行，以观察数据的组成是否独立于数量而产生影响。在另一组测试中，他们在真实记录的基础上添加了合成行，并将结果与一个通过有放回抽样重复使用现有真实训练记录的对照组进行比较，以观察合成数据是否提供了任何独特的价值。
结果是明确且有些令人惊讶的。当研究人员保持训练记录的总数固定，并将真实数据替换为合成数据时，计算机模型的表现通常变差了。在绝大多数测试中，使用部分或全部被合成数据替换后的真实行进行训练的模型，在区分糖尿病相关结果方面的能力不如仅使用真实数据训练的模型。替换的真实数据越多，平均性能下降得就越厉害。这表明，尽管合成数据可以重现真实记录中发现的模式，但测试的训练集并未一致地保留这些预测模型所需的信息。这一发现针对的是所评估的预测任务，而非合成数据的整体价值。
研究人员还观察了仅仅将合成数据添加到现有的真实数据中，从而增加训练集总大小时会发生什么。在这里，合成数据并没有提供一致的优势。在许多情况下，添加合成行使得模型的表现比仅在原始真实记录上进行训练或通过自助抽样（bootstrap sampling）重复使用这些记录的表现更差。虽然在极少数孤立的情况下，合成数据在特定情境下对特定模型有所帮助，但这些属于例外而非规律。研究发现，在测试条件下，没有证据表明合成数据能系统性地提升预测能力。然而，这并未解释为什么之前的研究报告了性能提升：将较大的增强数据集与较小的仅含真实的数据集进行比较，可能会将数据组成的影响与训练规模的影响混淆。
这项工作为健康信息学领域提供了一个重要的方法论检查。它表明，仅仅生成更多的数据并不是提高医疗预测能力的保证方案。研究强调，合成数据的价值高度依赖于特定的背景，不能仅仅因为增加了数据集的大小就假设其是有益的。对于研究人员和医生来说，其核心启示是真实数据的验证仍然至关重要。虽然在特定任务限制可以接受的情况下，合适的合成混合物可能支持教学或软件测试，但这些应用在此并未得到直接评估。使用合成数据开发临床预测模型需要进行真实数据测试、校准、亚组评估和治理。更好的健康预测取决于可靠的现实世界证据以及对生成数据的仔细评估，而不仅仅是训练行的数量。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。