Syntetisk data i sjukvården: definition, fördelar och utmaningar

Syntetiska data inom sjukvården avser artificiellt genererad data som simulerar riktiga patienthälsodata. Denna typ av data skapas med hjälp av algoritmer och statistiska modeller. Den är utformad för att återspegla de komplexa mönstren och egenskaperna hos faktiska hälsodata. Ändå motsvarar det inte några verkliga individer, vilket skyddar patientens integritet.

Skapandet av syntetiska data innebär att man analyserar riktiga patientdatauppsättningar för att förstå deras statistiska egenskaper. Sedan, med hjälp av dessa insikter, genereras nya datapunkter. Dessa efterliknar originaldatas statistiska beteende men replikerar inte någon individs specifika information.

Syntetisk data blir allt viktigare inom vården. Det balanserar att utnyttja big datas kraft och respektera patientens konfidentialitet.

Aktuellt datatillstånd inom sjukvården

Hälso- och sjukvården brottas ständigt med att balansera datafördelar mot patientintegritetsproblem. Att skaffa sjukvårdsdata för kommersiella eller akademiska ändamål är särskilt utmanande och kostsamt.

Till exempel kan det ta upp till två år att få godkännande för att använda hälsosystemdata. Att komma åt data på patientnivå medför ofta kostnader i hundratusentals, om inte mer, beroende på projektets omfattning. Dessa hinder hindrar avsevärt framsteg på området.

Sjukvårdssektorn befinner sig i ett tidigt skede av dataförfining och tillämpning. Flera faktorer, inklusive integritetsproblem, frånvaron av standardiserade dataformat och förekomsten av datasilos, har hindrat innovation och framsteg. Men detta scenario förändras snabbt, särskilt med uppkomsten av generativ AI-teknik.

Trots dessa hinder ökar användningen av data inom vården. Plattformar som Snowflake och AWS är i en kapplöpning om att erbjuda verktyg som utnyttjar denna datas potential. Tillväxten av cloud computing underlättar mer avancerad dataanalys och accelererar produktutvecklingen.

I detta sammanhang framstår syntetisk data som en lovande lösning på utmaningarna med datatillgänglighet inom vården.

Hur används syntetiska data i vården?

Syntetisk data är dagens revolution inom hälso- och sjukvården, vilket gör att organisationer kan förnya sig samtidigt som de respekterar gränser som sätts av säkerhet och integritet. Eftersom de liknar verkliga data gör syntetiska datauppsättningar det möjligt för forskare, kliniker och utvecklare att driva på innovationer utan hinder av patientens konfidentialitet.

Här är bara några enkla verkliga fall av hur syntetisk data förändrar vården:

1. Testa nya behandlingar utan att riskera integritet

Föreställ dig ett team av forskare som utvecklar en behandling för diabetes. Istället för att komma åt konfidentiella patientjournaler använder de syntetiska data som efterliknar egenskaperna hos riktiga patienter, som ålder, blodsockernivåer och medicinsk historia. De får utveckla hypoteser och förfina dem till protokoll om hur man kan skräddarsy behandlingar samtidigt som patientens konfidentialitet bevaras.

2. Utbilda AI för snabbare diagnoser

Tänk på ett maskininlärningsverktyg utformat för att upptäcka lungcancer från röntgenstrålar. Syntetiska medicinska bilder kan inkludera många scenarier – att arrangera tumörformer, storlekar och platser på vilket roligt sätt som helst kan hjälpa maskinen att lära sig exakt när det gäller att identifiera ett fall med kvicksilveråterfall av cancer. Detta underlättar diagnosen samtidigt som man helt kringgår etiska problem kring att använda faktiska patientskanningar.

3. Öva operationer i virtuell verklighet

Många läkarstudenter kräver verklig praktisk övning innan de kan behandla riktiga patienter. Syntetisk data skapar en hel interaktiv transponering där en databaserad virtuell patient simuleras med olika medicinska historia och tillstånd, vilket låter eleverna uppleva operationer eller diagnostiska procedurer upprepade gånger och mycket säkert.

4. Möjliggör folkhälsoplanering

Att simulera sjukdomsförloppet som covid-19 eller influensa med syntetiska data är viktigt för att tillåta epicentrumforskare att modellera den epidemiska spridningen av ett virus genom stadsområden kontra landsbygdsområden samtidigt som de uppskattar och testar vaccinationsstrategier, och på så sätt kringgå okunnigheten om känslig befolkningsdata.

5. Testa medicinsk utrustning på ett säkert sätt

Överväg ett företag som utvecklar en ny bärbar enhet för att övervaka hjärtfrekvenser. Syntetiska datauppsättningar som efterliknar en mängd olika kardiopatier gör att företag kan testa sina enheter under flera scenarier innan de går in i ekonomin.

Hur syntetiska data bör skapas för sjukvård

Att skapa syntetiska data inom vården är verkligen en lång process som drar en fin linje mellan teknisk expertis och ett gediget grepp om hälso- och sjukvårdssystem. För att förenkla begreppen är det generellt sett hur syntetisk dataskapande i vårdmiljöer kan tolkas.

1. Förstå verkliga data

Hälsoorganisationer undersöker riktiga patientdata som börjar med sjukhusjournaler, labbresultat eller detaljerna i kliniska prövningar. Till exempel kan ett sjukhus analysera patientdemografi, behandlingshistoria och resultat för att få en viss inblick i de underliggande trenderna eller mönstren.

2. Stoppa exponeringen av patientdata genom att ta bort PII

Därefter, för integritetens skull, innehåller datasetet inte längre personligt identifierbar information (PII)-namn, adresser eller personnummer. Du kan relatera detta till processen att anonymisera vissa medicinska anteckningar, som, om de skrivs ut nu, inte kommer att kunna spåras till en individ.

3. Identifiering av nyckelmönster

En dataforskare häller över en rensad datamängd och upptäcker de mönster och inbördes samband som utgör ytterligare en viktig byggsten för framgångsrik forskning. Till exempel kan de upptäcka att vissa mediciner ofta används av äldre vuxna med diabetes eller att vissa åldersgrupper tenderar att uppvisa vissa symtom.

4. Bygga modeller med hjälp av mönstren

När dessa mönster väl har bestämts tillåter insikterna konstruktionen av matematiska modeller som efterliknar de statistiska associationerna som finns i de verkliga data. Till exempel, om 30 % av patienterna i datamängden har högt blodtryck, kan vi gissa att de syntetiska data ungefär kommer att återspegla dessa tillstånd i liknande proportioner.

6. Validera syntetiska data

Sedan jämförs den syntetiska datamängden mot originaldata så att den behåller samma statistik som definierar egenskaperna och sambanden. Till exempel, om det finns en beroende korrelation mellan fetma och hjärtsjukdom i den ursprungliga datamängden, bör detsamma finnas för denna syntetiska datauppsättning.

7. Användningstestning i verkliga världen

Slutligen tas den syntetiska datan ut för testning i olika scenarier för att göra anspråk på att den kan användas för sina då avsedda ändamål. Dessa inkluderar att använda den för att tillåta forskare att träna en AI-modell för att diagnostisera sjukdomar eller simulera operativa resursvariationer på akutmottagningen i samband med influensasäsongen.

Hur man validerar syntetiska data för sjukvård

Beslutsfattare i organisationer måste granska giltigheten av syntetiska data innan de tillämpas i vården. Detta paradigm gäller för all data som används under konfidentialitetsprotokoll. Följande är sätt att bedöma giltigheten av syntetiska data:

• Jämförelse med riktiga data: Syntetisk data jämförs med verklig data för att bekräfta att de viktigaste trenderna den definierar, t.ex. förhållandet mellan ålder och sjukdom, återspeglas korrekt. Till exempel, om 20 procent av riktiga patienter har diabetes, bör en liknande andel manifesteras hos syntetiska patienter.
• Genomföra statistiska tester: Statistiska tester låter oss testa om den syntetiska datan är i linje med originalet vad gäller distributioner och korrelation, vilket bekräftar att den är rimlig och pålitlig för analys.
• Validering av verkliga uppgifter: De verkliga uppgifterna som träningen på AI-modeller skulle användas för att jämföra om resultaten från träning av syntetiska data också skulle ge ett resultat som liknar träning på verklig data.
• Expertrecension: Syntetiska datauppsättningar granskas för autentiska attribut av läkare och sjukvårdsexperter, såsom standardhistorik och behandlingar som ska uppfyllas av en realistisk forskningsstudie.
• Sekretesskontroller på plats: Denna bedömning kommer att säkerställa att syntetiska data inte kan spåras tillbaka till riktiga patienter och kommer att hålla integriteten för riktiga patienter intakt samtidigt som man undviker att datauppsättningen går förlorad.

Syntetiska datas potential inom hälsovård och läkemedel

Att integrera syntetisk data i sjukvård och läkemedel öppnar upp en värld av möjligheter. Detta innovativa tillvägagångssätt omformar olika aspekter av branschen. Syntetisk datas förmåga att spegla verkliga datauppsättningar samtidigt som integriteten bibehålls revolutionerar flera sektorer.

1. Förbättra datatillgängligheten samtidigt som integriteten upprätthålls

   Ett av de viktigaste hindren inom hälso- och sjukvård och läkemedel är att få tillgång till omfattande data samtidigt som man följer integritetslagar. Syntetisk data erbjuder en banbrytande lösning. Det tillhandahåller datauppsättningar som behåller de statistiska egenskaperna hos verkliga data utan att exponera privat information. Detta framsteg möjliggör mer omfattande forskning och utbildning av modeller för maskininlärning. Det främjar framsteg inom behandling och läkemedelsutveckling.

2. Bättre patientvård genom Predictive Analytics

   Syntetisk data kan avsevärt förbättra patientvården. Maskininlärningsmodeller utbildade på syntetiska data hjälper vårdpersonal att förutsäga patienternas svar på behandlingar. Detta framsteg leder till mer personliga och effektiva vårdstrategier. Precisionsmedicin blir mer tillgänglig för att förbättra behandlingens effektivitet och patientresultat.

3. Effektivisera kostnaderna med avancerad dataanvändning

   Att tillämpa syntetisk data inom sjukvård och läkemedel leder också till betydande kostnadsminskningar. Det minimerar riskerna och kostnaderna förknippade med dataintrång. Dessutom hjälper maskininlärningsmodellernas förbättrade prediktiva kapacitet att optimera resurserna. Denna effektivitet leder till minskade vårdkostnader och mer strömlinjeformad verksamhet.

4. Testning och validering

   Syntetisk data möjliggör säker och praktisk testning av ny teknik, inklusive elektroniska patientjournalsystem och diagnostiska verktyg. Sjukvårdsleverantörer kan noggrant utvärdera innovationer med hjälp av syntetisk data utan att riskera patientens integritet eller datasäkerhet. Det säkerställer att nya lösningar är effektiva och tillförlitliga innan de implementeras i verkliga scenarier.

5. Främja kollaborativa innovationer inom hälso- och sjukvården

   Syntetisk data öppnar nya dörrar för samarbete inom sjukvård och läkemedelsforskning. Organisationer kan dela syntetiska datauppsättningar med partners. Det möjliggör gemensamma studier utan att äventyra patientens integritet. Detta tillvägagångssätt banar väg för innovativa partnerskap. Dessa samarbeten påskyndar medicinska genombrott och skapar en mer dynamisk forskningsmiljö.

Utmaningar med syntetiska data

Även om syntetisk data har en enorm potential, har den också utmaningar som du måste ta itu med.