Metodologie di generazione di dati clinici tabulari e longitudinali sintetici: analisi ed applicazione del framework Synthcity.

L'era della medicina digitale produce enormi volumi di dati, essenziali per lo sviluppo di modelli di intelligenza artificiale, ma il cui potenziale rimane in gran parte inespresso a causa delle stringenti normative sulla privacy, come il GDPR. Poiché le tradizionali tecniche di anonimizzazione risultano inadeguate, impoverendo il dato ed esponendo le traiettorie cliniche longitudinali a un elevato rischio di reidentificazione, la generazione di dati sintetici tramite reti neurali profonde emerge come una soluzione all'avanguardia per abilitare la condivisione sicura delle informazioni. A tale scopo, il presente elaborato analizza innanzitutto le complessità e i limiti strutturali insiti nei dati clinici tabulari e longitudinali, quali l'irregolarità di campionamento, la presenza di dati mancanti e la censura clinica, esplorando parallelamente lo stato dell'arte dei principali modelli generativi progettati per affrontarli. Successivamente, l'obiettivo pratico dello studio si concentra sulla generazione di una coorte sintetica longitudinale pienamente funzionale a partire da un registro reale di pazienti affetti da Sclerosi Laterale Amiotrofica (SLA), avvalendosi del framework open-source Synthcity. Per superare le limitazioni algoritmiche, è stata implementata una rigorosa pipeline ingegneristica che ha messo a confronto due architetture per serie temporali, TimeGAN e FFlows, integrando specifiche tecniche di pre-processing ed euristiche biomediche di post-processing. Le prestazioni delle coorti generate sono state valutate quantitativamente su tre assi cruciali, evidenziando un netto compromesso architetturale. Sul fronte della fedeltà statistica, i modelli basati su flussi normalizzanti (FFlows) hanno dimostrato prestazioni medie superiori nella copertura spaziale, essendo intrinsecamente immuni al mode collapse; di contro, le reti avversarie (TimeGAN), seppur afflitte da una grave instabilità stocastica, hanno dominato nella coerenza del ritmo clinico. Per quanto concerne l'utilità predittiva, validata tramite il paradigma TSTR per l'analisi di sopravvivenza, TimeGAN ha raggiunto eccellenti capacità prognostiche di picco, sebbene i flussi normalizzanti abbiano offerto una maggiore stabilità media. Infine, valutando la tutela della privacy tramite l'Identifiability Score, è emerso che le architetture TimeGAN correttamente ottimizzate offrono garanzie di anonimato sistematicamente superiori rispetto ai flussi normalizzanti, pur rivelando come i punteggi di rischio prossimi allo zero siano spesso un paradosso matematico scaturito dal fallimento generativo delle matrici piatte. In conclusione, l'indagine dimostra che l'applicazione "plug-and-play" dei modelli generativi profondi risulta insufficiente in contesti clinici complessi, imponendo un'ibridazione ineludibile tra l'astrazione probabilistica dell'intelligenza artificiale e il rigoroso ragionamento biomedico. Qualora tali limiti architetturali vengano progressivamente risolti, i dati sintetici si candidano a fornire alla comunità scientifica uno strumento collaborativo inestimabile per la condivisione etica e normativa di asset digitali, accelerando lo sviluppo di nuovi protocolli terapeutici per malattie rare come la SLA.