# A geração de dados sintéticos por deep learning pode preservar a privacidade em saúde sem perder utilidade?

> Sim, segundo esta revisão sistemática. Técnicas como GANs, VAEs e modelos de difusão geram dados sintéticos realistas para diferentes tipos de dados, e métodos como privacidade diferencial e aprendizado federado reduzem riscos de reidentificação mantendo a fidelidade. Porém, ainda há desafios em correlações temporais, vieses e conformidade regulatória.

Estudo citado: Liu Y, Acharya UR, Tan JH. Preserving privacy in healthcare: A systematic review of deep learning approaches for synthetic data generation. Computer methods and programs in biomedicine. 2025. DOI: https://doi.org/10.1016/j.cmpb.2024.108571. PubMed: https://pubmed.ncbi.nlm.nih.gov/39742693/

## Resposta

A revisão sistemática analisou estudos publicados entre 2019 e 2023 em bases como Scopus, Web of Science, PubMed e IEEE, focando em técnicas de deep learning para geração de dados sintéticos em saúde. O objetivo foi avaliar a capacidade dessas técnicas em manter a utilidade dos dados e aprimorar a privacidade, um aspecto crítico para o compartilhamento seguro de informações clínicas.

Os resultados mostram que Redes Adversariais Generativas (GANs) e Autoencoders Variacionais (VAEs) demonstraram robustez na geração de dados sintéticos realistas para conjuntos tabulares, sinais, imagens e dados multimodais. Além disso, abordagens de preservação de privacidade, como privacidade diferencial e treinamento adversarial, reduziram significativamente os riscos de reidentificação, mantendo a fidelidade dos dados.

Apesar dos avanços, persistem desafios importantes, especialmente na preservação de correlações temporais, redução de vieses e alinhamento com estruturas regulatórias, particularmente para dados longitudinais e de alta dimensionalidade. Esses aspectos são fundamentais para a aplicação clínica e para a conformidade legal.

A conclusão destaca o potencial da geração de dados sintéticos para o compartilhamento seguro de dados em saúde, mas ressalta a necessidade de pesquisas contínuas para desenvolver algoritmos avançados e estruturas de avaliação que assegurem a qualidade e a privacidade dos dados sintéticos. A colaboração entre tecnólogos e formuladores de políticas é essencial para criar diretrizes abrangentes.

Para o médico brasileiro, essa revisão oferece uma visão sobre como a IA pode auxiliar na proteção de dados dos pacientes, um tema cada vez mais relevante diante da LGPD e da necessidade de compartilhamento de dados para pesquisa e medicina personalizada. No entanto, a implementação prática ainda requer cuidados com vieses e validação clínica.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que analisou estudos das bases Scopus, Web of Science, PubMed e IEEE, publicados entre 2019 e 2023. Os achados indicam que GANs e VAEs geram dados sintéticos realistas para dados tabulares, sinais, imagens e multimodais. Métodos de privacidade diferencial e treinamento adversarial reduziram riscos de reidentificação mantendo a fidelidade. Contudo, desafios persistem em correlações temporais, vieses e conformidade regulatória para dados longitudinais e de alta dimensionalidade.

## Limitações

O resumo não informa o número de estudos incluídos, nem detalhes sobre a qualidade metodológica dos mesmos. Também não são apresentadas métricas quantitativas específicas sobre a eficácia das técnicas. Além disso, a revisão se concentra em publicações de um período específico e pode não capturar avanços mais recentes. As limitações inerentes aos estudos primários não são discutidas no resumo.

## Aplicação no consultório

A geração de dados sintéticos pode permitir que clínicas e consultórios compartilhem dados de pacientes para pesquisas e desenvolvimento de modelos de IA sem expor informações sensíveis, auxiliando na conformidade com a LGPD. Médicos podem se beneficiar de dados sintéticos para treinar algoritmos de apoio à decisão sem violar a privacidade. No entanto, é crucial que os gestores estejam atentos à qualidade e aos vieses dos dados sintéticos, garantindo que reflitam a realidade clínica local. A colaboração com especialistas em tecnologia e a adoção de diretrizes claras são recomendadas para uma implementação segura.

## Perguntas para aprofundar

- Quais são os principais desafios éticos no uso de dados sintéticos em saúde?
- Como a privacidade diferencial pode ser aplicada em conjuntos de dados clínicos?
- Quais métricas são usadas para avaliar a utilidade de dados sintéticos em saúde?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/a-geracao-de-dados-sinteticos-por-deep-learning-pode-preservar-a-privacidade-em/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.