Veröffentlicht am:
Synthetisches Scientific Use File
Eine synthetische Population ist eine künstlich generierte Population, die eine reale Population abbildet. Häufigkeitsverteilungen und Korrelationen der Variablen der realen Population (Alter, Geschlecht, etc.) sind in der synthetischen Population unter Beibehaltung des Tabellenschemas und der Wertemengen reproduziert. Die Variablenverteilungen von synthetischen Personen entsprechen der realen Population, obwohl sie keinen Bezug zu einer real existierenden Person aufweisen. Daher hat eine synthetische Population ein stark reduziertes Risiko personenbezogene Daten offenzulegen, wobei jedoch ein hohes Level an Nutzbarkeit beibehalten wird.
Hauptmerkmale der synthetischen Population
Ausgewählte Beziehungen in der realen Population sind in der synthetischen Population reproduziert. Die folgende Liste zeigt die wichtigsten Merkmale der realen Population, die in den synthetischen Daten korrekt abgebildet werden:
- Generell wird die Kardinalität von Beziehungen zwischen Tabellen abgebildet (z. B. hat jede synthetische Person eine realistische Anzahl an Krankenhausaufenthalten)
- Die Krankengeschichte eines Patienten ist jahresübergreifend konsistent (z. B. chronische Krankheiten)
- Geburt, Tod, sowie Eintritt/Austritt in/aus die/der gesetzlichen Krankenversicherung von Versicherten
- Alters- und Geschlechterverteilungen der Gesamtpopulation
- Verteilung von Diagnosen nach Alter und Geschlecht gruppiert
- Verteilung geschlechtsspezifischer Krankheiten
- Median/Mittelwert der Anzahl von ambulanten sowie stationären Diagnosen pro Person in Altersgruppen
- Abhängigkeit der Verschreibungen von der Diagnose
- Median/Mittelwert der Anzahl von Verschreibungen pro Person in Altersgruppen und Diagnosen
- Verteilung der Entlassungsmonate aller stationärer Diagnosen sowie saisonaler Diagnosen
Aufgrund von Limitationen der Daten, des Modells oder aus Datenschutzgründen werden einige Beziehungen nicht oder nicht vollständig reproduziert. Die folgende Liste zeigt einen Ausschnitt dieser Beziehungen.
- Beziehung zwischen verschiedenen Diagnosen wird erst ab Berichtsjahr 2019 reproduziert
- Die Beziehung zwischen PLZ und Diagnose wird nicht reproduziert
- Beziehung zwischen Diagnosen und Kosten wird erst ab Berichtsjahr 2019 reproduziert
- Für Todesfälle wird ausschließlich die Abhängigkeit von Alter/Geschlecht, jedoch nicht diejenige von der Diagnose reproduziert
- Die Beziehung zwischen Diagnose und Verschreibungen ist manchmal uneindeutig. Daher kann eine synthetische Person Verschreibungen haben, die nicht zu ihrer Diagnose passen.
- Einige zeitliche Variablenbeziehungen sind nicht oder nur vereinfacht dargestellt
- Abhängigkeit der Krankentage von der Diagnose wird nicht reproduziert
- Die Beziehung zwischen Dialyse und Diagnose ist vereinfacht dargestellt
Evaluierung der synthetischen Population
Ähnlichkeit zur realen Population ist das Hauptqualitätskriterium der synthetischen Population. Numerische und graphische Vergleiche der Häufigkeitsverteilungen aller Variablen der synthetischen und realen Populationen belegen eine sehr hohe Qualität der synthetischen Population. Zudem wurde die hohe Qualität der synthetischen Population durch Vergleiche von relevanten Aspekten und Abhängigkeiten (inklusive Subpopulationen, Datenausschnitten, sowie Beziehungen zwischen Tabellen) mit der realen Population basierend auf wissenschaftlichen Graphen sowie Hypothesentests bestätigt.
Methode
Die synthetische Population wird von Grund auf neu generiert basierend auf Beziehungen zwischen Variablen, die von der realen Population gelernt worden sind. Diese Beziehungen sind in einem Abhängigkeitsdiagramm wiedergegeben, das einen integralen Teil unserer Methode darstellt. Darin entspricht jeder Knoten einer Variablen und jede Kante einer bedingten Abhängigkeit zwischen den zugehörigen Variablen. Das folgende vereinfachte Abhängigkeitsdiagramm zeigt Beziehungen zwischen den ausgewählten Variablen Alter/Geschlecht, Diagnose, Tod, Verschreibung, Behandlungsart und Lokalisierung.
Die synthetische Population wird durch folgende zwei Schritte generiert:
1. Modelltraining
Ein Modell, welches das Abhängigkeitsdiagramm enthält, wird auf den Gesundheitsdaten trainiert, um Wahrscheinlichkeiten für Variablenverteilungen und -beziehungen zu lernen. Dies bedeutet, dass ausschließlich absolute Häufigkeiten auf Populationsebene von der realen Population abgefragt werden, wohingegen keine personenbezogenen Daten abgefragt werden.
2. Generierung der synthetischen Population
Die synthetische Population wird basierend auf Wahrscheinlichkeiten generiert, die mittels der realen Population gelernt wurden. Für eine synthetische Person wird zunächst Alter und Geschlecht entsprechend der gelernten Wahrscheinlichkeit generiert. Anschließend werden die Anzahl und Art der Diagnosen dieser synthetischen Person gemäß den gelernten bedingten Wahrscheinlichkeiten für die Beziehung zwischen Alter/Geschlecht und Diagnosen gewählt. Weitere Variablen werden für diese synthetische Person basierend auf den gelernten Wahrscheinlichkeiten ausgewählt. Zudem ist die Krankengeschichte dieser synthetischen Person jahresübergreifend konsistent basierend auf gelernten Übergangswahrscheinlichkeiten zwischen aufeinanderfolgenden Jahren (z. B. chronische Krankheiten).