MétaCan
Menu
Retour à la cohorte
Enregistrement W4409030284 · doi:10.1101/2025.03.30.25324911

A Quarter-Century of Synthetic Data in Healthcare: Unveiling Trends with Structural Topic Modeling

2025· preprint· en· W4409030284 sur OpenAlexaboutno aff
Billy Ogwel, Vincent Mzazi, Alex O Awuor, Gabriel Otieno Okello, Sidney Ogolla, Bryan O. Nyawanda, Richard Omore

Notice bibliographique

RevuemedRxiv · 2025
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueComputational and Text Analysis Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésQuarter (Canadian coin)Health careData scienceRegional scienceComputer scienceHistoryGeographyEconomicsEconomic growthArchaeology

Résumé

récupéré en direct d'OpenAlex

Abstract Data-driven approaches are transforming healthcare, yet acquisition of comprehensive datasets is hindered by high costs, privacy regulations, and ethical concerns. To address these challenges, synthetic data, artificially generated datasets that mimic the statistical properties of real-world data, provides a promising solution. Despite its growing adoption, the thematic landscape of synthetic data research in healthcare remains underexplored. Therefore, we applied structural topic modeling (STM) to map the research landscape of synthetic data in healthcare, revealing prevalent topics and tracking their evolution over time and across geographic locations. PubMed publications from 2000-2024 containing “synthetic data,” “artificial data,” or “simulated data” in the title/abstract were retrieved. After preprocessing the text (lowercasing, punctuation/stopword removal, stemming), structural topic modeling (STM) was performed using year and continent as covariates. The optimal number of topics (K=10) was determined using held-out likelihood and interpretability. Topic prevalence, temporal trends, and inter-topic correlations were analyzed using stacked area charts and network analysis. Analysis of 14,788 PubMed articles (2000-2024) revealed a tenfold increase in publications. Geographically, North America (48.6%) and Europe (33.5%) were primary contributors, but Asia’s share steadily rose from 2.9% to 23.1%. STM identified ten key topics, grouped into Biomedical Imaging & Signal Processing (25.2%), Synthetic Data Applications in Biomedical Research (17.7%), Computational & Statistical Methods (23.9%), and Genomics & Evolutionary Biology (33.2%) themes. We observed gradual declines in initially prominent topics including “Bayesian Modelling” (23.1% to 9.9%), “Neuroimaging” (16.0% to 9.3%), and “Image Simulation” (17.7% to 9.1%), giving ascendancy to “Synthetic Data Generation” (2.2% to 27.1%) and “Disease Modeling and Public Health” (4.8% to 11.9%) by 2024. Synthetic data research in healthcare has experienced increasing interest, marked by shifts in geographic distribution and dynamic evolution of key topics. Realizing the full potential of synthetic data requires fostering cross-disciplinary collaborations, implementing bias mitigation strategies, and establishing equitable partnerships. Author Summary In recent years, synthetic data—artificially generated datasets designed to reflect real-world information—has gained attention as a way to advance healthcare research while addressing concerns around data privacy, costs, and accessibility. Our work explores how this field has evolved over the past 25 years, identifying key research trends and shifts in geographic contributions. By analyzing over 14,000 published studies, I found that synthetic data research has grown nearly tenfold, with increasing contributions from Asia alongside traditional leaders in North America and Europe. The focus of research has also changed: earlier work emphasized medical imaging and statistical modeling, while recent studies highlight synthetic data generation and its use in disease modeling, public health, and clinical trials. Despite this progress, important gaps remain. Areas like drug discovery, mental health, and ethical considerations in artificial intelligence need further attention. By mapping these trends, our work underscores the importance of cross-disciplinary collaboration and equitable global partnerships to maximize the benefits of synthetic data in improving healthcare worldwide.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,029
score de la tête « metaresearch » (Gemma)0,077
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Bibliométrie
Catégories consensuellesaucune
DomaineSignal candidat: Évaluation · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,994
Score d'incertitude au seuil0,151

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0290,077
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0060,007
Études des sciences et des technologies0,0010,001
Communication savante0,0040,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,079
Tête enseignante GPT0,406
Écart entre enseignants0,327 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomaineÉvaluation
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetComputational and Text Analysis MethodsTravaux en français237 207