KI erzeugt datenschutzkonforme synthetische Daten ohne echte Patienten

In der medizinischen Forschung versprechen KI‑Systeme eine höhere Patient*innen‑Durchsatzrate und unterstützen Ärzt*innen, doch der Fortschritt bleibt durch den begrenzten Zugang zu echten Patientendaten eingeschränkt. Um dieses Hindernis zu überwinden, hat ein Forschungsteam ein völlig neues, zero‑shot‑Ansatz entwickelt, das große Sprachmodelle (LLMs) mithilfe von Retrieval‑Augmented Generation (RAG) mit den Diagnostik‑ und Statistikmanualen (DSM‑5) sowie der Internationalen Klassifikation von Krankheiten (ICD‑10) anleitet.

Durch die Kombination verschiedener Wissensdatenbanken erzeugt das Modell synthetische, datenschutzkonforme psychiatrische Tabellendaten. Die erzeugten Daten wurden gegen zwei führende Deep‑Learning‑Modelle für synthetische Tabellendaten – CTGAN und TVAE – getestet, die beide auf realen Daten basieren und damit potenzielle Datenschutzrisiken bergen.

Die Evaluation konzentrierte sich auf sechs Angststörungen: spezifische Phobie, soziale Angststörung, Agoraphobie, generalisierte Angststörung, Trennungsangst und Panikstörung. CTGAN erzielte dabei die besten Ergebnisse für Einzel- und Mehrdimensionalität, während das wissensgestützte LLM besonders bei der Paarstruktur überzeugte und die niedrigste Paarfehlerquote bei Trennungsangst und sozialer Angst aufwies.

Eine Ablationsstudie zeigte, dass die klinische Retrieval‑Komponente die Ein‑ und Paarfidelität im Vergleich zu einem LLM ohne Retrieval deutlich verbessert. Die Datenschutzanalyse ergab, dass das LLM ohne reale Daten nur geringe Überschneidungen aufweist und ein niedriges durchschnittliches Linkage‑Risiko aufweist – vergleichbar mit CTGAN. Im Gegensatz dazu zeigte TVAE umfangreiche Duplikate, die das Risiko erhöhen.

Der Ansatz demonstriert, dass KI‑gestützte, wissensbasierte Retrieval‑Augmented Generation nicht nur qualitativ hochwertige synthetische Daten erzeugen kann, sondern dabei auch die Privatsphäre der Patienten schützt. Dies eröffnet neue Möglichkeiten für die Forschung in der Psychiatrie, ohne auf echte Patientendaten angewiesen zu sein.