Synthetic Healthcare Data - Clinical and Claims

The Snowflake Solution Engineering HCLS Payor/Provider team developed a synthetic healthcare dataset using the [Synthea framework from Mitre Corp](https://synthea.mitre.org/).

We selected multiple cities across Continental US regions (east-coast, west-coast, southern, midwest), and proportionally generated patient and patient-adjacent data reflecting 10% of each city’s population according to 2020 US Census figures.

**Key Features**

- **Comprehensive Clinical & Claims Data**: The dataset includes patients, conditions, encounters, medications, procedures, observations, allergies, immunizations, and related claims and provider tables.
- **Clinically Consistent**: For example, a patient with a diabetes diagnosis may also have abnormal glucose lab results and prescriptions for medications to treat diabetes.

**Longitudinal Realism**: Patients have multiple encounters over time, seeing various providers for different reasons and/or disease progression and management.

Currently, the database includes more than: 1.4M Patients, 65M Encounters, 124M Claims, and 887M Claim Line Details

原始信息汇总

Synthetic Healthcare Data - Clinical and Claims 数据集概述

数据集基本信息

• 数据集名称: Synthetic Healthcare Data - Clinical and Claims
• 提供方: Snowflake Virtual Hands-On Labs
• 访问权限: Free (Unlimited Access)
• 数据生成方法: 使用Mitre Corp的Synthea框架生成
• 地理覆盖范围: 美国大陆多个城市（东海岸、西海岸、南部、中西部）
• 人口比例: 按2020年美国人口普查数据生成各城市10%人口比例的模拟数据

数据规模

• 1.4M 患者
• 65M 就诊记录
• 124M 索赔记录
• 887M 索赔明细

关键特性

• 全面性: 包含患者、病情、就诊、药物、程序、观察、过敏、免疫等相关临床和索赔数据
• 临床一致性: 数据间存在临床逻辑关联（如糖尿病患者会显示异常血糖检测结果和相关药物治疗）
• 纵向真实性: 患者随时间推移有多次就诊记录，反映疾病进展和管理过程

主要数据表

• CLAIMS (索赔表)
• ENCOUNTERS (就诊表)
• PATIENTS (患者表)
• PAYERS (支付方表)
• PROVIDERS (提供方表)
• 其他13个相关数据对象

索赔表(CLAIMS)数据结构示例

列名	数据类型	描述
CLAIM_ID	Number	索赔ID
PATIENT_ID	Number	患者ID
PROVIDER_ID	Number	提供方ID
PRIMARY_PATIENT_INSURANCE_ID	Number	主保险ID
DIAGNOSIS1-DIAGNOSIS8	Number	诊断代码(最多8个)
ENCOUNTER_ID	Number	关联的就诊ID
SERVICEDATE	Timestamp_NTZ	服务日期
SYNTHEA_CITY	Varchar	城市名称

使用案例

1. 按年份和城市统计患者就诊数量
2. 查询特定城市(如克利夫兰)的糖尿病患者数量

时间覆盖范围

1913年1月1日 - 2024年12月31日

地理覆盖

• 美国所有州
• 包含多个具体城市数据(如坦帕、克利夫兰、底特律、芝加哥等)

更新频率

静态数据(无定期更新)

适用场景

• 应用程序设计和测试
• 演示材料创建
• 无需真实患者健康信息(PHI)的开发环境

搜集汇总

背景与挑战

背景概述

该数据集由Snowflake团队利用Synthea框架生成，模拟美国大陆多个城市10%的人口比例，包含临床记录和理赔信息，具有临床一致性和患者纵向时间线特征。数据规模涵盖超过140万患者、6500万次就诊和8.87亿条理赔明细。