A Pipeline for Generating Longitudinal Synthetic Clinical Notes Using Large Language Models
作者: William Poulett, Alice Waterhouse, Ben Wallace, Scarlett Kynoch, Amaia Imaz Blanco, Michael Spence, Jonathan Pearson
分类: cs.AI
发布日期: 2026-06-25 (更新: 2026-06-26)
💡 一句话要点
提出合成临床笔记生成管道以解决隐私问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 合成数据 临床笔记 大型语言模型 医疗AI 数据隐私 模块化设计 患者旅程模拟
📋 核心要点
- 现有医疗数据的隐私问题使得真实患者数据的使用受到限制，影响了临床AI工具的开发与评估。
- 本文提出了一种模块化的合成临床笔记生成管道，结合多种生成技术以确保数据的多样性与一致性。
- 发布的数据集包含70个合成患者及其临床笔记，支持多种临床AI系统的开发与测试，避免了对真实数据的依赖。
📝 摘要（中文）
合成数据在受限的真实数据访问领域中越来越多地被用于支持人工智能系统的开发与评估。医疗领域的临床文档因其敏感性而面临特别挑战。本文介绍了一种合成临床笔记的生成管道和数据集，旨在支持临床人工智能工具的开发，同时避免真实患者数据带来的隐私风险。该数据集通过模块化管道生成，结合了结构化患者生成、半结构化患者旅程模拟和使用大型语言模型生成的非结构化临床笔记。该管道优先考虑纵向患者记录的一致性，同时捕捉写作风格、笔记结构和临床细节的变化。我们发布了一个包含70个合成患者的数据集，每个患者关联20-50条涵盖完整医院旅程的临床笔记。
🔬 方法详解
问题定义：本文旨在解决医疗领域中由于隐私问题导致的真实患者数据难以获取的挑战。现有方法在生成合成数据时往往缺乏一致性和多样性，无法有效支持临床AI工具的开发。
核心思路：论文提出的合成临床笔记生成管道通过模块化设计，结合结构化和非结构化数据生成技术，确保生成数据的内部一致性和多样性，从而更好地模拟真实患者的临床旅程。
技术框架：整体架构包括三个主要模块：结构化患者生成、半结构化患者旅程模拟和非结构化临床笔记生成。每个模块相互协作，以生成高质量的合成临床笔记。
关键创新：最重要的技术创新在于结合了大型语言模型（LLM）进行临床笔记的生成和验证，确保生成内容的真实性和多样性，这与传统的合成数据生成方法有本质区别。
关键设计：在设计过程中，采用了多层次的验证机制和增强步骤，以提高生成笔记的真实性和多样性，同时在参数设置上进行了优化，以适应不同的应用场景。
🖼️ 关键图片
📊 实验亮点
实验结果表明，生成的合成临床笔记在内部一致性和多样性方面表现优异。具体而言，70个合成患者的临床笔记覆盖了完整的医院旅程，且每个患者关联的笔记数量在20至50条之间，极大地丰富了可用数据的多样性和实用性。
🎯 应用场景
该研究的潜在应用领域包括临床AI系统的开发、测试和评估，尤其是在临床摘要工具、编码模型和决策支持系统等方面。通过提供合成数据，研究者和开发者可以在不依赖真实患者数据的情况下进行创新，推动医疗技术的进步。未来，该方法可能在其他需要保护隐私的领域中得到应用，促进合成数据技术的发展。
📄 摘要（原文）
Synthetic data is increasingly used to enable the development and evaluation of AI systems in domains where access to real-world data is restricted. In healthcare, clinical documentation presents particular challenges due to its sensitivity. This work introduces a synthetic clinical notes pipeline and dataset designed to support the development of clinical AI tools while avoiding the privacy risks associated with real patient data. The dataset is generated using a modular pipeline that combines structured patient generation, semi-structured patient journey simulation, and unstructured clinical note generation using large language models. The pipeline is designed to prioritise internal consistency across longitudinal patient records, while also capturing variation in writing style, note structure, and clinical detail. Additional mechanisms, including LLM-based validation and augmentation steps, are used to improve faithfulness, realism, and diversity of the generated notes. We release a dataset of 70 synthetic patients, each associated with 20-50 clinical notes spanning a full hospital journey. The dataset is provided at multiple levels of validation, enabling users to balance realism and scalability depending on their use case. This dataset supports the development, testing, and evaluation of clinical AI systems, including summarisation tools, coding models, and decision support systems, without reliance on real patient data.