Dades sintètiques i el seu potencial en l'assistència sanitària

La majoria de les dades sanitàries del món real només estan disponibles de manera incompleta a causa de les preocupacions de privadesa dels pacients, les barreres reguladores com HIPAA i la naturalesa sensible d'aquestes dades. Aquí ve el concepte de dades sintètiques: dades artificials, fetes que representen exactament totes les propietats estadístiques d'un conjunt de dades del món real. Sembla ser la transformació clau per al futur de la sanitat.

En aquest article, volem aprofundir en les complexitats tècniques de les dades sintètiques, les seves aplicacions a l'atenció sanitària, com poden canviar la investigació clínica, el diagnòstic i la gestió dels pacients i les tecnologies que ho fan possible.

Què són les dades sintètiques?

Les dades sintètiques es consideren dades creades artificialment amb un comportament similar a les dades realistes. S'utilitzen diversos mètodes per crear dades sintètiques, inclosos els models estadístics, els algorismes d'aprenentatge automàtic i les xarxes generatives adversàries (GAN). Tot i que les dades sintètiques no contenen cap enllaç real als fitxers dels pacients, no es poden crear dades anònimes per proporcionar la complexitat dels escenaris sanitaris del món real.

Característiques clau de les dades sintètiques:

• Fidelitat : imita adequadament l'estructura i les relacions en conjunts de dades reals.
• Privadesa: com que les dades sintètiques no contenen dades reals del pacient; eludeix qualsevol consideració per la privadesa.

Escalabilitat: les dades sintètiques es poden produir en quantitats massives, proporcionant conjunts variats per entrenar models d'IA o executar simulacions.

Per què dades sintètiques a la sanitat?

L'assistència sanitària és intensiva en dades; els hospitals, les instal·lacions de recerca i les empreses farmacèutiques depenen molt de les dades dels pacients a l'hora de prendre decisions. Tanmateix, les dades sanitàries del món real són limitades en diversos aspectes:

• Normes de privadesa: aquí, GDPR i HIPAA limiten l'ús i l'intercanvi de dades dels pacients per part de les organitzacions sanitàries.
• Manca de dades: de vegades, els registres del pacient contenen dades incompletes o falten parts, cosa que pot provocar un possible biaix en l'anàlisi.
• Recollida de dades cara: recollir conjunts de dades de gran qualitat és molt costós.
• Disponibilitat limitada: els investigadors, especialment els de les institucions més petites, no tenen conjunts de dades de pacients diversificats.

Les dades sintètiques resolen aquests reptes, oferint alternatives ètiques, escalables i rendibles. A més, els conjunts de dades enriquits sintèticament poden incloure variables demogràfiques diverses, condicions rares i tractaments mèdics poc comuns que els conjunts de dades tradicionals poden no representar adequadament.

Les tècniques de generació de dades inclouen tècniques per crear dades artificials

Molts mètodes d'alta tecnologia permeten la generació artificial de dades. Els més populars inclouen:

GAN: Xarxa Adversarial Generativa

Les GAN es troben entre les tècniques de síntesi de dades aplicades al sector de la salut. Una GAN consta de dues xarxes: un generador i un discriminador. El generador genera dades sintètiques i el discriminador intenta determinar si són reals o sintètiques. Amb el temps, millora la competència del productor, proporcionant així dades realistes de qualitat.

Els GAN poden aprendre dels conjunts de dades d'imatges mèdiques per produir, per exemple, ressonàncies magnètiques sintètiques, exploracions de TC o raigs X, que es poden utilitzar com a dades d'entrenament o per validar alguns algorismes en aplicacions sanitàries. A més, els GAN també s'han utilitzat per sintetitzar dades sintètiques dels registres de salut electrònics (EHR) mentre es mantenen intactes les relacions de les variables clíniques sense revelar les identitats dels pacients.

Exemple: codi Python

 # Example of GAN-based synthetic data generation for EHR from keras.models import Sequential from keras.layers import Dense, LeakyReLU def build_generator(latent_dim): model = Sequential() model.add(Dense(256, input_dim=latent_dim)) model.add(LeakyReLU(alpha=0.2)) model.add(Dense(512)) model.add(LeakyReLU(alpha=0.2)) model.add(Dense(1024)) model.add(LeakyReLU(alpha=0.2)) model.add(Dense(784, activation='sigmoid')) return model

Aquest codi és un generador senzill per al model GAN que crea funcions de dades de modelització de dades sintètiques.

Autocodificadors variacionals (VAE)

Els VAE són un altre model generatiu per sintetitzar dades de salut sintètiques. Els VAE codifiquen les dades d'entrada reals en algun espai latent. A partir d'aquest espai latent, es generen nous punts de dades, conservant les propietats estadístiques del conjunt de dades original. Aquests models són especialment aplicables per generar conjunts de dades d'alta dimensió en l'assistència sanitària, com ara conjunts de dades de genòmica o òmica.

Xarxes Bayesianes

Les xarxes bayesianes són models gràfics que representen relacions probabilístiques entre diverses variables. A l'assistència sanitària, aquestes xarxes serien especialment útils per generar dades sintètiques que reflecteixin una relació causal, com ara el curs de la malaltia o els efectes d'un règim de tractament.

Aplicacions de les dades sintètiques a la salut

Imatge mèdica

Les dades sintètiques han revolucionat la imatge mèdica proporcionant una solució alternativa per a la disponibilitat limitada de conjunts de dades anotats necessaris per entrenar models d'aprenentatge automàtic. En aquest sentit, els GAN i els VAE són tècniques útils per sintetitzar imatges de ressonància magnètica, TC o raigs X. L'ús d'aquestes imatges sintètiques ajuda els radiòlegs i els algorismes d'IA a detectar anomalies en exploracions mèdiques amb gran precisió. Les dades d'imatges sintètiques ofereixen als investigadors l'oportunitat d'entrenar models d'aprenentatge profund sense problemes d'escassetat de dades o de trair la privadesa del pacient.

Exemple: ressonància magnètica generada per GAN: en un experiment recent sobre segmentació de tumors cerebrals, els investigadors van utilitzar GAN per generar imatges sintètiques d'exploracions de ressonància magnètica del tumor. Van poder entrenar models d'aprenentatge profund per detectar aquests casos amb més precisió sense requerir volums de dades de pacients.

Assajos clínics

Teniu en compte que les dades sintètiques s'han d'utilitzar amb les dades clíniques tradicionals, i s'aplica especialment a les àrees de malalties rares on és difícil aconseguir pacients als estudis. Les cohorts sintètiques permeten a l'investigador simular els resultats dels pacients amb diferents protocols de tractament, accelerant així el descobriment i les proves de fàrmacs.

Per exemple, els EHR sintètics poden permetre a les empreses farmacèutiques simular els resultats del tractament per a cohorts virtuals de pacients. Això permetrà provar hipòtesis i comprovar l'eficàcia dels fàrmacs i, molt probablement, reduir el temps i el cost dels assaigs clínics.

Augment de dades

Les dades sintètiques simplificaran el procés d'augment de dades en l'aprenentatge automàtic, permetent models predictius més forts. Els registres de pacients sintètics o les dades d'imatge poden ajudar a complementar petits conjunts de dades en l'assistència sanitària, mitigant el sobreajust i permetent una major generalització dels models d'IA.

Medicina de precisió

La genòmica sintètica, o la generació de dades òmiques, obre noves vies per a la medicina de precisió en aquest sentit. Els investigadors poden investigar com determinades mutacions genètiques afecten el risc de malaltia o les respostes al tractament d'una manera que hauria d'oferir teràpies personalitzades dins de conjunts de dades sintètiques que reflecteixin la genètica del pacient.

Consideracions ètiques i normatives

Tot i que les dades sintètiques tenen molt de valor, sí que presenten algunes qüestions reglamentàries i ètiques molt importants:

Marcs reguladors: els reguladors sanitaris encara estan intentant entendre com classificar les dades sintètiques. Com que aquestes dades no provenen de pacients reals, pot ser que estiguin més enllà de les regulacions existents o fora de l'àmbit de les jurisdiccions de les agències reguladores. No obstant això, ha de complir els requisits ètics per a l'ús sanitari de la IA.

Biaix de generació de dades: la síntesi de dades de qualsevol model té alguns biaixos o defectes. Això pot fer que el conjunt de dades resultant reflecteixi aquestes imperfeccions i donar lloc a resultats de recerca defectuosos o esbiaixats o prediccions d'IA incorrectes.

Validació: les dades sintètiques s'han de validar per a la seva fidelitat i validesa. Només perquè les dades sintètiques poden reflectir dades realistes, no són prou bones per a aplicacions sanitàries sensibles al temps.

Algunes de les eines i marcs avançats que han sorgit recentment per donar suport a la generació de dades sanitàries sintètiques són les següents:

CTGAN: l'abreviatura de Conditional Tabular GAN, una eina de codi obert per produir dades tabulars sintètiques. S'implementa habitualment a l'assistència sanitària per sintetitzar EHR.

Synthpop : aquesta és una eina R per produir versions sintètiques de dades sensibles. S'ha utilitzat àmpliament per generar conjunts de dades que preservin la privadesa a l'assistència sanitària.

Sintetitzador de dades: un sintetitzador de codi obert que genera conjunts de dades sintètics amb la privadesa preservada. L'eina admet models de mode d'atribut aleatori, independent i correlat.

Visió del futur de les dades sintètiques a la salut

Les dades sintètiques tenen un potencial enorme en l'assistència sanitària. La IA millorada i els models generatius poden accelerar significativament la innovació en algunes àrees:

Telemedicina: amb el creixent concepte de telemedicina, és possible que sigui possible dissenyar conjunts de dades d'entrenament basats en dades sintètiques per a sistemes d'IA implicats en el control i el diagnòstic remots de pacients.

IA en diagnòstic: la formació en dades sintètiques que simulen condicions rares o menys representades pot augmentar la precisió del diagnòstic de malalties dels pacients per part dels sistemes sanitaris, especialment en malalties rares.

**Recerca interinstitucional:**Les dades sintètiques poden garantir l'intercanvi segur de les dades sanitàries entre les institucions. Això facilita la col·laboració global sense afegir cap problema relacionat amb la privadesa.

Conclusió

Les dades sintètiques representen un canvi de paradigma en l'assistència sanitària perquè permeten que les dades transcendissin les seves possibles mancances en problemes d'accés, escalabilitat i privadesa. Els investigadors, els metges i els desenvolupadors d'IA serien lliures d'innovar sense comprometre la privadesa del pacient o els estàndards ètics. Amb la contínua innovació en models generatius, com ara GAN, VAE i xarxes bayesianes, les dades sintètiques seran fonamentals per configurar el futur de l'assistència sanitària, des d'assaigs clínics i diagnòstics fins a la medicina personalitzada.

Mitjançant l'ús responsable d'aquesta tecnologia, el sector sanitari pot desbloquejar possibilitats sense precedents en l'atenció al pacient, la investigació i la innovació.