Torna al blog

PySynthea: dades sanitàries sintètiques natives de Python

Una professional veterana mirant cap amunt

Una reimplementació de Synthea nativa de Python per generar històries clíniques sintètiques a escala, amb exportació FHIR, notebooks, pandas i fluxos de ML.

Motor

Carregador de mòduls

Carrega mòduls GMF de Synthea (JSON)

Nucli de màquines d’estats

Semàntica d’estats i transicions

Avaluador de condicions

Guardes i expressions

Motor de mòduls

Mòduls actius i avaluació d’estats

Generació

Generator

Mida de població, llavor, configuració i filtres de mòduls

Mostrejador demogràfic

Bucle de simulació

Gestor d’exportació

Model del món

Person

Aleatorietat amb llavor, atributs, mòduls actius

HealthRecord

Trobades, condicions, medicació, procediments, observacions

Dades de referència

Proveïdors, finançadors, ubicacions, demografia, costos

Exportadors

FHIR R4

Bundles

JSON

Documents de pacient

CSV

Taules de recursos

A mida

Parquet, bases de dades, cues de missatges

Arquitectura del sistema. PySynthea organitza la generació de pacients sintètics al voltant d’un Generator de Python, instàncies deterministes de Person, un motor de mòduls compatible amb GMF i capes d’exportació per a FHIR, JSON, CSV i formats aptes per a analítica.

01 - Què és PySynthea

Un simulador a l’estil de Synthea per a la IA sanitària pensada en Python.

Les dades sanitàries sintètiques permeten als equips prototipar, ensenyar, provar i comparar sense exposar informació sanitària protegida. Synthea ho va fer pràctic per a dades longitudinals d’història clínica, però molts investigadors treballen avui gairebé del tot en Python, pandas, Jupyter, PyTorch, Dask i PySpark.

PySynthea manté el model central de Synthea: màquines d’estats modulars per a malalties, mostreig demogràfic de la població, històries longitudinals de pacients i exportació conforme a estàndards. La diferència és operativa. Està dissenyat per instal·lar-se amb les eines estàndard de Python, executar-se sense una JVM, oferir una API de Python neta i portar els registres generats directament als fluxos de treball de ciència de dades sanitàries i IA aplicada.

La idea central és senzilla: la generació de dades sanitàries sintètiques hauria de ser una biblioteca de Python, no un runtime a part amb el qual els científics de dades hagin de connectar mitjançant fitxers i ordres de shell.

02 - Per què importa

Menys fricció de configuració, recerca reproduïble més ràpida.

Les dades reals d’història clínica estan limitades per la HIPAA, el RGPD, la revisió institucional, les restriccions contractuals i el risc de reidentificació. Les dades sintètiques no substitueixen la validació clínica real, però donen als equips una base compartible i reproduïble per a l’experimentació i l’enginyeria primerenques.

S’instal·la amb els fluxos normals de Python, inclosos pip i uv.
pip
Executa mòduls JSON originals del Generic Module Framework de Synthea.
GMF
Exporta bundles conformes a estàndards per a proves d’interoperabilitat.
FHIR R4
Alimenta pandas, tensors, notebooks i pipelines d’analítica distribuïda.
ML

Objectius de disseny

ObjectiuQuè significa
AccessibilitatInstal·lació i ús natius de Python, sense runtime JVM extern.
InteroperabilitatIntegració natural amb pandas, NumPy, PyTorch, Dask, PySpark, Airflow i Jupyter.
ReproductibilitatGeneració determinista a partir de llavors i configuració explícites.
ExtensibilitatPunts d’extensió documentats per a tipus d’estat, exportadors, mòduls i comportament de la simulació.
EscalabilitatLes cohorts interactives en notebook i els treballs per lots paral·lels més grans comparteixen la mateixa API.
Fidelitat als estàndardsFHIR R4, CSV, JSON i identificadors compatibles amb Synthea continuen sent sortides de primer nivell.

03 - Com funciona

Generador, model del món, motor de mòduls, exportadors.

PySynthea s’organitza com una única distribució de Python amb quatre paquets principals: el motor de simulació, el model sanitari del món, els adaptadors d’exportació i utilitats auxiliars per a la configuració i el comportament compartit.

El Generator coordina el mostreig demogràfic, la simulació, l’execució de mòduls i l’exportació. Cada Person porta aleatorietat determinista, atributs, estat dels mòduls actius i un HealthRecord. Els mòduls es carreguen des de JSON GMF de Synthea i s’executen com a màquines d’estats tipades, inclosos trobades, aparició de condicions, prescripcions, observacions, procediments, plans de cures, dispositius, informes diagnòstics, vacunacions i estats terminals.

El pipeline de generació

  1. Pas 1

    Inicialitzar

    Carrega la configuració, la llavor d’aleatorietat, proveïdors, finançadors, recursos i mòduls.

  2. Pas 2

    Mostrejar

    Extreu dades demogràfiques, ubicació, data de naixement i context social de les distribucions configurades.

  3. Pas 3

    Simular

    Avança els mòduls de malaltia amb un motor longitudinal basat en passos de temps.

  4. Pas 4

    Emetre

    Escriu trobades, condicions, medicació, procediments, observacions i costos.

  5. Pas 5

    Ordenar

    Manté la coherència temporal al llarg de dècades d’història simulada del pacient.

  6. Pas 6

    Exportar

    Produeix sortides FHIR, CSV, JSON, Parquet o llestes per a base de dades.

04 - Sortides i fluxos de treball

De cohorts en notebook a dades de prova FHIR i data lakes.

Com que la generació s’executa en el mateix procés, els registres es poden inspeccionar a l’instant com a objectes de Python, materialitzar-se com a DataFrames, convertir-se en seqüències llestes per a models, escriure’s en un servidor FHIR o particionar-se per a treballs distribuïts.

FormatÚs principal
FHIR R4Càrrega en servidors FHIR, validació, proves d’interoperabilitat i desenvolupament SMART on FHIR.
CSVTaules planes de recursos per a pandas, fulls de càlcul i càrrega massiva en bases de dades.
JSONDocuments de pacient imbricats per a depuració, bases de dades documentals i inspecció de la història completa.
ParquetAnalítica columnar per a data lakes, PySpark, Dask i fluxos de lakehouse.
BD relacionalMagatzems de recerca, bases de dades de prova i mapatges a esquemes posteriors mitjançant SQLAlchemy o pandas.

Fluxos de treball representatius

  • Generació de cohorts en notebook. Genera una cohort petita, inspecciona els registres i itera els paràmetres en unes poques cel·les.
  • Construcció de pacients a mida. Crea un pacient determinista per a docència, depuració o proves unitàries de mòduls.
  • Generació paral·lela per lots. Executa pacients independents en fils, processos, workers de Dask o particions de PySpark.
  • Benchmarking de ML. Regenera cohorts amb llavor fixa per comparar models amb distribucions sintètiques controlades.
  • Proves d’interoperabilitat. Produeix bundles FHIR controlats per a proves de programari i d’integració d’extrem a extrem.

05 - Compromisos i treball futur

Una base en Python per a la propera generació de simulació clínica sintètica.

PySynthea és un motor independent, així que la paritat semàntica exacta amb el Synthea original en Java continua sent un objectiu de validació continu. La meta és mantenir els mòduls GMF de Synthea com a font compartida de contingut clínic i, alhora, fer que el motor sigui més fàcil d’ampliar, perfilar, provar i integrar per als usuaris de Python.

L’article també distingeix amb claredat entre les dades sintètiques a l’estil de Synthea i els models generatius apresos. PySynthea és valuós per a registres estructurals, longitudinals i conformes a estàndards, per a la docència, la reproductibilitat i les proves de pipelines. No substitueix la validació clínica amb cohorts reals ni un model après que reprodueixi la distribució d’una institució concreta.

PySynthea redueix el cost d’utilitzar dades sintètiques d’història clínica en la IA sanitària, però un desplegament responsable continua exigint validació, governança i una comprensió clara del que les dades sintètiques poden i no poden demostrar.

Línies de recerca

  • Acceleració per GPU. Explorar la simulació vectoritzada i per lots amb CUDA, JAX o PyTorch.
  • Mòduls assistits per LLM. Redactar mòduls de malaltia a partir de guies clíniques amb revisió humana en el circuit.
  • Simulació multiagent de pacients. Acoblar trajectòries de pacients a través de brots, llars i congestió del sistema.
  • Entorns d’aprenentatge per reforç. Exposar l’estat sintètic del pacient i les accions terapèutiques per a benchmarks clínics de RL.
  • Dades sintètiques multimodals. Vincular històries clíniques estructurades amb imatge i text clínic sintètics.

Llegeix l’article completMostra el repositori