Enhancing Clinical Documentation with Synthetic Data: Leveraging Generative Models for Improved Accuracy

精确和全面的临床文档对于提供高质量的医疗保健、促进医疗保健提供者之间的有效沟通以及确保符合监管要求至关重要。然而，手动转录和数据录入过程可能耗时、容易出错且容易出现不一致，导致医疗记录不完整或不准确。本文提出了一种新方法，利用合成数据生成技术增强临床文档，以生成逼真且多样化的临床记录。我们提出了一种方法，将最先进的生成模型（如生成对抗网络（GAN）和变分自编码器（VAE））与真实世界的临床记录和其他形式的临床数据相结合，生成合成记录。然后可以使用这些合成记录来补充现有的文档工作流程，为自然语言处理模型提供额外的训练数据，从而实现更准确和高效的转录过程。通过对大量匿名临床记录数据集进行广泛的实验，我们证明了我们的方法在生成高质量的合成记录方面的有效性，这些记录与真实世界的数据非常相似。定量评估指标，包括困惑度分数和BLEU分数，以及领域专家的定性评估，验证了生成的合成记录的保真度和实用性。我们的研究结果突显了合成数据生成应对临床文档挑战的潜力，改善患者护理、减轻行政负担并提高医疗保健系统的效率。

论文提出了一种利用合成数据生成技术增强临床文档的方法，以解决手动转录和数据输入过程中的错误和不一致性问题。

论文提出了一种将生成对抗网络（GAN）和变分自编码器（VAE）等生成模型与真实世界的临床文档和其他形式的临床数据相结合的方法，生成合成文档，并通过大规模数据集的实验验证了该方法的有效性。

论文通过量化评估指标和领域专家的定性评估，验证了合成文档的保真度和实用性。值得关注的是，这种方法可以提供额外的训练数据，以改善自然语言处理模型的准确性和效率，并有望解决临床文档的挑战，提高患者护理质量，减轻行政负担，提高医疗保健系统效率。

最近的相关研究包括使用GAN生成医学图像和文本数据，以及使用VAE生成医学图像和时间序列数据。