表格数据合成：Synthea医疗数据

可视化演示

展示患者生命周期模拟、临床事件生成及统计特征保持机制，支持模式切换查看不同合成过程。

什么是Synthea

创作剧本时，编剧不能翻阅真实病人的病历，只能从人群数据中推演。Synthea 也是同样的逻辑——它是一名只依据统计规律工作的“编造者”，从不读取真实患者的单个病例。

Synthea 是 MITRE 公司发布的开源项目（全名 Synthetic Health Records）。它用概率模型从零开始“构建”虚拟人物。一个虚拟人物的生成过程不依赖任何真实电子病历，只依赖公开的疾病统计数据。它生成的数据核心是：患者有出生年份、人生阶段、疾病史、就诊事件、用药记录，覆盖一个人从出生到死亡的全部健康相关信息。

技术层面，Synthea 使用模块化“生成器”，将性别、年龄、种族、地域、保险类型等特征作为基础输入，再经由疾病发病率模型和医疗服务利用模型调配出完整的病历。整条流水线可以在普通电脑上批量运行，生成规模可以是几千到几百万的虚拟患者。

剧作家写出的“人生”必须符合逻辑，数据科学家拿到 Synthea 生成的病历也完全不用担心隐私问题——因为这些角色本来就不存在于现实世界。

病程状态模型

一部好的电视剧不会让角色突然下场，而是根据“情节大纲”逐步推进。Synthea 的情节大纲是一个状态机，它把人生切分成若干个健康状态，让剧情有起承转合。

每个疾病模块就是一台状态机。例如糖尿病模块包括“健康”“糖尿病前期”“糖尿病”“并发症”“死亡”等状态，状态之间通过条件概率迁移。这些概率来自公开医学文献，与流行病学数据高度一致。

技术实现上，Synthea 为每种疾病设置独立的模块，然后用事件驱动的方式推进患者生命周期。每一年，计算机会根据患者当前状态查转移概率表，决定是否进入新的疾病阶段并产生对应事件——比如年初患糖尿病、年中门诊随访、年底开始用药。

在这套状态下，每个虚拟患者都有一条独特的生命轨迹：有的人疾病缠绵多年，有的人几十岁就突然离去——一切都由概率剧本决定。

人口统计学建模

剧本需要角色群像符合时代背景，Synthea 也需要让生成的人群像真实人口一样多元，否则疾病统计就不成立。

Synthea 使用美国人口普查局的 PUMS 数据（Public Use Microdata Sample）来构建人口特征。这些数据记录了不同州居民的年龄、性别、种族、收入、教育水平等分布。Synthea 据此实现了多人群的虚拟人生成，例如同为 65 岁，马萨诸塞州的白人女性与佛罗里达州的西班牙裔男性的疾病风险可能完全不同。

技术具体实现是分层采样。生成患者时先抽年龄，再在年龄条件下抽性别，接着在年龄与性别条件下抽种族，最后由这些属性共同决定疾病概率。

导演先设定“城镇人口画像”，再让所有角色从画像中自然生长出来——这就是 Synthea 在开拍前完成的选角环节。

医疗服务流程

剧本里总要有“去看医生”的桥段。在哪个医院看、挂什么号、做什么检查、开什么药，Synthea 都有剧本安排。

当疾病状态被激活后，Synthea 会调用医疗服务模块来生成对应的就诊记录。例如，一个糖尿病患者大概率会定期做糖化血红蛋白检查，并由社区医生转诊至内分泌科。就诊类型包括社区门诊、急诊、住院、门诊手术等，转诊路径则由疾病的严重程度和临床指南共同决定。

技术实现中，就诊事件以泊松过程为基本框架，通过设置平均就诊密度 \(\lambda\)，模拟疾病严重度和复诊频率带来的就诊次数波动。

这些“就医剧情”并不是编剧逐字手写，而是系统自动生成的——只要给定平均就诊次数，各种场景就会自动铺开。

数据输出格式

剧本完成之后，必须装订成适合读者阅读的出版物。Synthea 的输出格式也多种多样，最常用的是 FHIR 和 CSV。

FHIR（Fast Healthcare Interoperability Resources）是医疗信息系统间交换数据的标准。Synthea 会把生成的数据打包成一个 FHIR Bundle，内含 Patient（患者）、Condition（疾病）、Encounter（就诊）、MedicationRequest（处方）等资源。Bundle 是 JSON 格式，可以被任何兼容 FHIR 的系统直接读取。

同时，Synthea 也提供 CSV 导出功能，将每条记录打成一行。表格列包括患者 ID、年龄段、疾病编码、就诊类型、药物编码等，这让你可以直接用 pandas 或 SQL 进行分析建模。

同一个故事可以印成精装书（FHIR Bundle），也可以做成速查卡（CSV 表格）。数据科学家根据任务选择合适的“版本”。

统计特征保真

剧本的真实感需要经过读者检验。Synthea 生成的虚拟人群也要经过统计检验，确保疾病发病率与现实接近。

Synthea 使用大量公开流行病学数据来控制发病率。例如采用美国疾病控制与预防中心（CDC）的慢性病统计数据，让合成人群的高血压、糖尿病、慢性阻塞性肺病患病率与全国水平接近。此外，它还校正了地区差异，使各州的虚拟人群呈现不同的疾病负担。

衡量“真实感”常使用 KL 散度。假设真实人群的疾病分布为 \(Q_{\text{real}}\)，Synthea 生成人群的疾病分布为 \(P_{\text{synth}}\)，则 KL 散度越小，说明两个分布越接近，合成数据的可信度越高。

剧作家拿到读者反馈后修改剧本，数据科学家拿到 KL 散度后调整模型参数。零散度的最终目标是让观众看不出病历是虚构的。

应用与合规

排练无数次后，导演才能放心让演员上台。医疗 AI 也一样，进入真实世界前需要在“沙盘”中反复演练，而这个沙盘正是 Synthea。

医疗 AI 研发中最大的瓶颈之一是数据合规。真实病历受 HIPAA 等法规严格保护，获取成本极高。Synthea 生成的合成数据不包含任何可识别的个人身份信息，可以从根本上规避隐私问题。它天然适合用于模型预训练、算法联调、系统测试，甚至作为比赛数据集。

在模型开发流程中，Synthea 数据通常用于预测模型、图像识别、NLP 任务阶段，帮助团队完成从数据准备到模型上线的链路。它不要求彻底替代真实数据，而是在数据量不足或隐私受限时补齐缺口，满足合规性需求。

虚拟患者的数据，可以让 AI 模型完成从“学生”到“实习生”的成长；真正进入临床应用时，再用真实数据进行最终校验。合规与效果在 Synthea 的世界里和解了。

AI 应用场景

Python 演示

import csvimport random  class State:    # 病程状态节点    def __init__(self, name):        self.name = name        self.transitions = {}     def add_transition(self, dest, prob):        self.transitions[dest] = prob     def next_state(self):        r = random.random()        acc = 0.0        for dest, prob in self.transitions.items():            acc += prob            if r <= acc:                return dest        return self  def build_machine():    health = State("health")    disease = State("disease")    death = State("death")    health.add_transition(health, 0.85)    health.add_transition(disease, 0.13)    health.add_transition(death, 0.02)    disease.add_transition(disease, 0.70)    disease.add_transition(death, 0.30)    return health  def simulate(patient_id, years):    start = 20 + random.randint(0, 30)    state = build_machine()    rows = []    for age in range(start, start + years):        nxt = state.next_state()        if nxt.name != state.name:            rows.append((patient_id, age, state.name, nxt.name))        state = nxt        if state.name == "death":            break    return rows  def main():    all_rows = []    for pid in range(1, 201):        all_rows.extend(simulate(pid, 50))    with open("synthea_demo.csv", "w", newline="") as f:        writer = csv.writer(f)        writer.writerow(["patient_id", "age", "from_state", "to_state"])        writer.writerows(all_rows)    print("Simulated 200 virtual patients, {} transitions".format(len(all_rows)))  if __name__ == "__main__":    main()

1. import csv` / `import random引入 CSV 输出和随机数抽样能力，前者负责“装订成档”，后者负责“掷骰子”。
2. self.transitions = {}状态机的“概率表”，保存从当前状态出发的各个去向。
3. def next_state(self)用随机数按累计概率抽签，决定下一步转到哪个状态。
4. health.add_transition(health, 0.85)对应 Synthea 中的状态转移概率：85% 概率保持健康。
5. def simulate(patient_id, years)模拟一个虚拟患者的病程并返回事件列表。
6. if state.name == "death": break患者死亡后立即停止模拟，结束这条人生主线。
7. for pid in range(1, 201)生成 200 个虚拟患者，构成一个有规模的合成人群。
8. writer.writerows(all_rows)将生成的转移纪录一次性写入 CSV 文件。

常见误区

面试题