问题——医疗健康领域，真实世界数据规模大、维度多、价值高，是推动疾病预测、疗效评估与公共卫生治理的重要基础；然而，医疗数据往往涉及个人隐私与机构合规要求，跨机构、跨区域共享面临高门槛；同时，部分人群样本不足、随访不完整等现实限制，也影响研究的可重复性与模型的稳健性。如何在确保安全合规前提下，扩大数据可用性、提升研究效率，成为临床研究与健康治理中的现实课题。 原因——合成数据被视为破解上述难题的潜在路径之一：在不直接暴露个体信息的前提下，尽可能保留原始数据的统计规律与临床轨迹特征，从而用于模型训练、算法测试与科研协作。此次研究由西班牙安达卢西亚进步与健康公共基金会等单位合作完成，研究团队在《Advanced Science》发表论文，围绕“高保真合成数据能否在临床预测任务中复制真实数据表现”该关键问题开展验证。研究基于安达卢西亚人口健康数据库中近100万名糖尿病患者的真实世界纵向数据，采用双对抗自编码器生成合成数据副本——并构建较为系统的评估框架——不仅对常用指标进行检验，也将分析延伸至疾病轨迹模拟的生物医学合理性层面，尝试回答“像不像、能不能用、是否可信”等核心关切。 影响——研究结果显示，在静态预测任务中，使用合成数据训练的模型整体预测表现与真实数据训练模型较为接近，虽存在细微但持续的差距，但总体能够复现真实数据的预测水平。在按糖尿病诊断年份细分后，研究观察到AUROC随时间推移呈持续上升趋势，这一趋势在真实数据与合成数据训练的模型中均得到体现，提示合成数据在刻画长期变化与队列结构特征上具有一定一致性。此外，研究还发现，仅用真实数据训练的模型中，男性模型表现较女性更稳定；这一差异模式在合成数据训练的模型中同样被复现，说明合成数据在一定程度上保留了与性别有关的统计结构与风险表征。，当以合成样本扩充形成“混合数据集”训练模型时，其表现几乎与仅用真实数据训练的模型重合，未体现额外预测增益，提示在样本量已足够庞大、信号相对充足的场景下，简单的数据增强未必带来立竿见影的性能提升。研究团队还报告了逐年评估的患者数量、性别分布以及AUROC均值与标准差等信息，为外界理解模型表现与样本结构提供参考。 对策——业内普遍认为，合成数据要真正走向临床科研应用，关键不在“能生成”，而在“可验证、可追责、可治理”。一上，需要建立标准化评估体系：既要看预测指标是否接近，也要检验变量间关系、时间序列轨迹、极端病例与亚组差异是否符合医学常识，防止出现“指标好看但临床不可信”的偏差。另一方面，应完善安全与合规框架：包括隐私泄露风险评估、再识别攻击测试、访问控制与用途限定等制度安排，确保合成数据共享与流通中可控可管。还应推动跨学科协作，由临床专家、统计学者、数据治理与伦理合规团队共同把关，明确合成数据适用边界，例如用于算法预训练、方法学验证、教学与仿真等相对低风险场景，并在更高风险的决策支持场景中设置更严格的验证门槛。 前景——随着慢性病管理需求持续攀升，糖尿病等疾病的风险预测、并发症预警与个体化干预对数据质量与规模提出更高要求。此次研究在百万级队列上验证合成数据能够复制临床相关预测性能，为推动真实世界数据的高效利用提供了新的实践样本。可以预期，若未来在多地区、多系统、多病种的验证中持续获得一致结果，并在隐私保护、数据治理与可解释性上形成可落地的标准，合成数据有望成为连接科研创新与安全合规的重要“桥梁”，促进更多机构在不触碰隐私红线的前提下开展协同研究与技术迭代。同时也应看到，合成数据并非万能替代：在复杂临床场景中，关键变量缺失、偏倚传播、少数人群代表性不足等问题仍可能被“复制”甚至放大，需通过持续监测与校正机制加以应对。
在大数据时代，平衡患者权益与数据价值释放是全球医疗研究的共同挑战；西班牙团队的研究不仅提供了技术方案，更展现了隐私计算与临床医学融合的新方向。其核心启示在于：科技的发展应始终寻求技术创新与人文关怀的最佳结合点。