基于扩散模型的合成电子健康记录生成：提升多病共患聚类中的隐私保护与临床效用

本综述系统探讨了扩散模型（DDPM）在合成电子健康记录（EHR）生成与多病共患聚类分析中的应用价值。研究显示，DDPM在数据保真度（Jensen–Shannon散度=0.020）、隐私保护（成员推理攻击风险=0.25）和特征依赖性建模方面显著优于生成对抗网络（GAN）和变分自编码器（VAE）。通过狄利克雷过程混合模型（DPMM）实现的无监督聚类能有效识别临床相关疾病模式，为医疗AI研究提供了既符合隐私法规又具有高度临床实用性的数据解决方案。

　　

引言

电子健康记录（EHR）在医学研究和人工智能驱动的医疗分析中的应用日益广泛，但隐私法规和伦理问题限制了真实患者数据的获取。传统生成模型如生成对抗网络（GANs）和变分自编码器（VAEs）在处理高维表格数据时存在模式崩溃、样本多样性不足和特征依赖关系建模困难等问题。本研究引入基于去噪扩散概率模型（DDPM）的方法生成合成EHR数据，并评估其在多病共患聚类中的应用价值。

方法学创新

研究采用定制化的DDPM架构，通过渐进式噪声注入和去噪过程生成结构化EHR数据。与GANs和VAEs不同，DDPM通过迭代去噪过程将随机噪声分布转化为高质量样本，避免了训练不稳定和模式崩溃问题。模型训练结合了均方误差损失（连续变量）、分类交叉熵损失（离散变量）和特征依赖正则化项，确保生成数据既保持统计特性又保留临床相关性。

数据预处理与特征工程

研究整合了来自坦桑尼亚国家EHR系统、MIMIC-III、英国生物银行、NIMHANS和肯尼亚EHR等五个数据集，涵盖10,000至700,000条记录。采用独热编码、最小-最大归一化和序数编码对分类变量、连续变量和序数特征进行标准化处理。通过高斯扰动和掩码破坏技术注入受控噪声，增强模型对缺失数据和测量变化的鲁棒性。

隐私保护评估

通过成员推理攻击（MIA）、属性推理攻击、最近邻距离（NND）和K近邻相似度等指标评估隐私风险。DDPM在所有数据集上均表现最佳，MIA风险最低（0.25-0.29），属性推理得分最低（0.17-0.22），NND最高（3.64-3.88）。相比GANs和VAEs，DDPM的迭代去噪过程有效避免了训练样本记忆，显著降低了重新识别风险。

多病共患聚类分析

采用狄利克雷过程混合模型（DPMM）对合成EHR数据进行无监督聚类。该贝叶斯非参数方法能动态确定最佳聚类数量，适应EHR数据的异质性和高维特性。聚类结果显示10个临床意义明确的疾病模式，轮廓系数（SI）达0.68，调整兰德指数（ARI）为0.78，标准化互信息（NMI）达0.89，显著优于传统高斯混合模型。

临床应用价值

生成的合成数据在机器学习任务中表现出与真实数据相当的效用。XGBoost、随机森林和LSTM模型在合成数据上训练的预测性能（F1-score 0.80-0.86）接近真实数据性能。聚类结果可用于患者分层、风险预测和资源优化，为个性化医疗和公共卫生决策提供支持。

局限与展望

当前研究缺乏纵向数据支持，对罕见疾病模式的捕捉能力有限。未来工作应整合基因组和行为学数据，扩展至实时数据生成，并通过多中心研究验证模型的泛化能力。此外，需建立包含对抗性测试和监管合规评估的综合验证框架。

结论

DDPM为合成EHR生成提供了兼顾数据保真度、隐私保护和临床效用的解决方案。结合DPMM聚类分析，该框架能有效识别多病共患模式，推动医疗AI发展同时确保符合伦理规范和隐私法规。