深度解析医学证据，DeepEvidence为你支撑决策 合成数据正逐渐成为破解临床研究数据困境的关键技术。在肝病学领域，高质量临床数据获取困难、少数群体代表性不足以及复杂的数据共享法规，长期制约着研究的进展与成果的普适性。为应对这一挑战，一项发表于Hepatology杂志的最新研究探索了利用扩散模型生成合成患者数据的方法，并以美国器官共享联合网络（UNOS）的肝移植等待名单数据库为验证对象，系统评估了合成数据在统计保真度、临床效用及隐私保护方面的表现。 该研究纳入了2019年至2023年间UNOS数据库中38318名成年肝移植等待患者。在排除了急性肝衰竭、有MELD例外点或关键变量缺失的病例后，研究团队提取了患者的人口学信息、实验室指标、疾病病因及等待结局等核心变量。数据预处理阶段未进行任何插补，以保证数据的原始完整性。随后，研究者采用扩散模型这一前沿生成式人工智能技术，基于80%的训练集数据生成合成患者队列，并利用剩余20%的原始测试集进行验证。为了全面评估合成数据的质量，研究设计了一套多维度的验证框架：在统计保真度方面，计算了最大均值差异（MMD）和Wasserstein距离，并比

上一篇： 新药已获批，AI却在“念旧”？DeepE...

下一篇： Nature：我国学者开发了一项用于罕见...