¹Институт вычислительной математики им. Г.И. Марчука Российской академии наук, Москва, Россия
²ООО «Мерлионтех», Красногорск, Россия

Аннотация. Представлен новый подход к генерации синтетической популяции с использованием условных генеративно-состязательных сетей (conditional Generative Adversarial Networks, cGAN) для предсказания индивидуальных медицинских микроданных из маргинальных распределений, заданных на уровне популяции. Предложенный подход позволяет синтезировать реалистичные микроданные для целевых популяций, для которых доступны только агрегированные (маргинальные) статистические характеристики, такие как половозрастное распределение и распространённость заболеваний. Для работы в условиях ограниченной доступности индивидуальных данных и необходимости сохранения конфиденциальности разработана архитектура cGAN, которая выявляет и переносит сложные зависимости между переменными (например зависимости возраст-заболевание и заболевание-заболевание) из исходной популяции с доступными микроданными в целевую популяцию, описанную маргинальными распределениями. Гибридная функция потерь обеспечивает соответствие целевым маргинальным распределениям при сохранении эпидемиологической реалистичности сгенерированных выборок. Метод был протестирован на наборе данных Behavioral Risk Factor Surveillance System (BRFSS) за 2023 год для США и продемонстрировал хорошее совпадение с реальными распределениями по нескольким штатам. Модель точно воспроизводит паттерны сочетанной распространенности заболеваний (коморбидности) и корреляции между возрастом и заболеваниями, хотя эти зависимости не использовались в качестве условных данных. Полученные результаты показывают, что предложенный метод может обеспечить масштабируемую и конфиденциальную генерацию синтетических данных и имеет перспективные применения в агентно-ориентированных моделях в  здравоохранении, в особенности  для регионов, где отсутствуют детализированные индивидуальные данные.

Ключевые слова: синтетическая популяция, глубокое обучение, cGAN, микроданные, индивидуальные данные