SynRL：利用强化学习将合成临床试验数据与人类偏好的临床终点对齐
机器学习
2025-02-19 v2
摘要
每年都会进行数百项临床试验以评估新的医疗干预措施，但由于隐私担忧和联邦法规，将这些试验的患者记录与其他机构共享可能具有挑战性。为缓解隐私担忧，研究人员提出了生成合成患者数据的方法。然而，现有的合成临床试验数据生成方法忽视了这些数据的使用需求，包括保持临床结果的特定属性，且仅使用事后评估，而未将其与数据生成过程耦合。在本文中，我们提出了 SynRL，它利用强化学习通过根据用户指定的合成数据结果和终点要求定制生成数据，来提升患者数据生成器的性能。我们的方法包含一个数据价值评论函数来评估生成数据的质量，并利用强化学习根据评论家的反馈将数据生成器与用户需求对齐。我们在四个临床试验数据集上进行了实验，证明了 SynRL 在提高合成数据质量的同时保持低隐私风险的优势。我们还展示了 SynRL 可以作为一个通用框架，用于定制多种类型合成数据生成器的数据生成。我们的代码可在 https://anonymous.4open.science/r/SynRL-DB0F/ 获取。
引用
@article{arxiv.2411.07317,
title = {SynRL: Aligning Synthetic Clinical Trial Data with Human-preferred Clinical Endpoints Using Reinforcement Learning},
author = {Trisha Das and Zifeng Wang and Afrah Shafquat and Mandis Beigi and Jason Mezey and Jacob Aptekar and Jimeng Sun},
journal= {arXiv preprint arXiv:2411.07317},
year = {2025}
}