[논문 리뷰] Synthetic Event Time Series Health Data Generation

Saloni Dash, Ritik Dutta외 4명|arXiv (Cornell University)|2019. 11. 14.

Machine Learning in Healthcare참고 문헌 13인용 수 8

한 줄 요약

이 논문은 환자 수준의 수면 이벤트 데이터를 시간 간격으로 분할된 특성으로 변환한 후, GAN을 사용하여 실제와 유사한 종단적 건강 데이터를 생성하는 새로운 방법을 제안한다. 이 방법은 시간 패턴과 공변량 분포를 유지하며, 단변량 및 공변량 유사도가 뛰어나지만, 청소년과 같은 고분산 하위군에서는 분산을 과소평가한다.

ABSTRACT

Synthetic medical data which preserves privacy while maintaining utility can be used as an alternative to real medical data, which has privacy costs and resource constraints associated with it. At present, most models focus on generating cross-sectional health data which is not necessarily representative of real data. In reality, medical data is longitudinal in nature, with a single patient having multiple health events, non-uniformly distributed throughout their lifetime. These events are influenced by patient covariates such as comorbidities, age group, gender etc. as well as external temporal effects (e.g. flu season). While there exist seminal methods to model time series data, it becomes increasingly challenging to extend these methods to medical event time series data. Due to the complexity of the real data, in which each patient visit is an event, we transform the data by using summary statistics to characterize the events for a fixed set of time intervals, to facilitate analysis and interpretability. We then train a generative adversarial network to generate synthetic data. We demonstrate this approach by generating human sleep patterns, from a publicly available dataset. We empirically evaluate the generated data and show close univariate resemblance between synthetic and real data. However, we also demonstrate how stratification by covariates is required to gain a deeper understanding of synthetic data quality.

연구 동기 및 목표

• 시간 이벤트 패턴과 환자 공변량을 반영하는 종단적 건강 데이터의 합성 데이터 부족 문제를 해결하기 위해.
• 실제 환자 기록에 의존하지 않고도 개인정보 보호와 유효성을 유지하는 합성 의료 시간 시리즈 데이터 생성 방법을 개발하기 위해.
• 최소한의 분야 지식으로도 재현 가능하고 확장 가능하며 비용이 들지 않는 연구를 가능하게 하기 위해 EHR 유사 합성 데이터를 제공하기 위해.
• 특히 연령과 요일과 같은 중요한 공변량을 기준으로 평균 통계를 넘어서 합성 데이터 품질을 실증적으로 평가하기 위해.
• 합성 건강 데이터의 진정한 유효성을 평가하기 위해 공변량 기반 분류 분석이 필수적임을 보여주기 위해.

제안 방법

• 수면 시작/종료 시간과 같은 원시 이벤트 수준 데이터를 고정된 시간 간격 요약(예: 시간당 수면 분)으로 변환하여 횡단적 특성 생성.
• 개개인 간 시간 정렬을 표준화하기 위해 30시간 일주기 창(다음 날 오전 10시까지 포함, 오전 4시부터 시작)을 사용.
• 시간별 수면 지속 시간을 30개 특성으로 요약하여 한 명의 환자의 일일 수면 패턴을 표현.
• 수면 특성에 환자 수준의 공변량(연령대, 성별, 요일, 월)을 추가.
• 변환된 횡단적 데이터를 기반으로 GAN을 훈련하여 합성 환자 기록 생성.
• 합성 데이터 평가를 위해 단변량 통계, 공변량 확률 일치도, 연령과 요일 기반 분류 분석을 수행.

실험 결과

연구 질문

• RQ1 합성 데이터 생성 방법은 시간 간격이 불규칙한 의료 이벤트를 효과적으로 모델링하면서도 시간적 및 공변량 의존성을 유지할 수 있는가?
• RQ2 시간대별 평균 수면 지속 시간 측면에서 GAN이 생성한 합성 데이터는 실제 수면 패턴과 어느 정도 유사한가?
• RQ3 합성 데이터는 연령, 성별, 요일과 같은 환자 공변량의 공동 분포를 얼마나 잘 포착하는가?
• RQ4 합성 데이터는 다양한 연령대와 요일에 따라 수면 지속 시간의 의미 있는 추세를 유지하는가?
• RQ5 특히 불규칙한 수면 패턴을 보이는 고분산 하위군(예: 청소년)을 포착하는 데에 모델 성능은 어떠한가?

주요 결과

• 합성 데이터는 모든 시간 간격에서 실제 데이터와 평균 수면 지속 시간이 매우 유사하며, 최소한의 편차를 보였다.
• 합성 데이터의 공변량 확률(예: 실제 데이터의 49% 대비 합성 데이터의 48%)은 대각선에 매우 가깝게 위치하여 근사 분포의 강한 일치를 나타냈다.
• 모델은 일반적인 추세를 성공적으로 포착했다: 청소년(15–24세)은 주말에 특히 다른 연령대보다 더 오래 수면을 취하며, 중년층보다 노년층이 더 오래 수면을 취한다.
• 그러나 합성 데이터는 특히 주말에 청소년의 평균 수면 시간을 과소평가하여 고분산 하위군을 모델링하는 데 한계를 보였다.
• 분위수 분석 결과, 실제 데이터에 비해 합성 데이터의 15–24세 연령대에서 수면 시간의 고분산 특성을 포착하지 못했으며, 실제 데이터에 비해 상위 및 하위 사분위수 범위가 좁게 나타났다.
• 본 연구는 합성 데이터를 평균 행동 기준으로만 평가하는 것은 부족하며, 핵심 공변량 기반 분류 분석이 유효성과 품질 평가에 필수적임을 입증했다.