合成数据助力癌症研究：英格兰国家癌症登记系统的隐私保护协作分析模型

这篇综述介绍了利用合成数据（Simulacrum）解决敏感医疗数据（如英格兰国家癌症分析系统CAS）访问难题的创新协作模型。通过合成数据预研、编程代码开发及真实数据验证的三阶段流程，该模型将代码开发至数据发布（CDDR）周期缩短至平均2.3个月，显著提升研究效率，同时严格遵守GDPR隐私规范，为真实世界数据（RWD）应用提供了可扩展的解决方案。

　　

引言

真实世界数据（RWD）在推动药物研发和优化医疗服务的价值已获全球监管机构认可，但患者隐私保护法规（如欧盟GDPR）导致敏感数据访问困难。英格兰国家癌症分析系统（CAS）整合了覆盖98%癌症患者的登记数据、治疗记录（如SACT化疗数据集）和生物标志物检测数据（CAS-MDx），但其使用受限于严格的治理框架。

材料与方法

CAS数据库
CAS由英国国家医疗服务体系（NHS）下属国家疾病注册服务（NDRS）管理，包含肿瘤登记（NCRD）、放疗（RTDS）、住院（HES）和死亡率（ONS）等多源数据。

Simulacrum合成数据集
通过贝叶斯网络生成的Simulacrum模拟了CAS的结构与统计特征（如边际分布和时间序列），包含NCRD、SACT等核心数据集变量，但排除直接标识符。其开发团队Health Data Insight（HDI）与IQVIA合作，确保数据实用性同时满足隐私要求。

协作模型三阶段

1. 研究设计：观察性研究（OR）团队利用Simulacrum探索数据可行性，与健康洞察（HI）专家共同制定方案。
2. 分析开发：基于合成数据编写统计计划（SAP）和编程代码，减少对敏感健康数据（SHD）分析师的依赖。
3. 执行与发布：SHD分析师在防火墙内执行代码，输出经匿名化（如低分辨率掩码）的聚合数据，平均14天完成交付。

结果

效率提升
18个项目平均CDDR时间为2.3个月，其中71%耗时集中于代码开发阶段。12个项目仅需单次代码运行即可完成，复杂项目（如涉及多变量联合分析）需最多3次迭代。

研究多样性
项目涵盖前列腺癌、血液肿瘤等高发癌种（图4a），涉及治疗模式、医疗资源利用（HCRU）等分析类型，并逐步整合新型数据源如CAS-MDx（图4b）。

讨论

Simulacrum虽无法完全复现高维联合分布（如特定癌症分期+年龄+性别的亚组），但显著降低了研究门槛。模型局限性包括合成数据与真实数据的时效性差异，以及未量化项目复杂度对周期的影响。未来需进一步验证Simulacrum的保真度，但其协作框架已为RWD应用提供标准化范式。

结论

该模型通过合成数据桥接研究与隐私需求，将传统数月的数据访问流程压缩至数周，尤其适合资源受限的研究场景。其经验可为其他敏感医疗数据库（如基因组数据）的治理提供参考，加速循证医学发展。