В статье представлена инновационная методология GHOSTS, предназначенная для создания высококачественных синтетических временных рядов на основе данных стационарных пациентов. Исследование решает критическую проблему дефицита и конфиденциальности медицинских данных, предлагая способ генерации реалистичных показателей жизнедеятельности без риска раскрытия персональной информации. Авторы разработали фреймворк, который позволяет моделировать сложные временные зависимости, характерные для госпитальных условий. Основное внимание уделено валидации синтетических данных: методология проверяется на соответствие статистическим свойствам и клинической достоверности оригинальных наборов данных. Использование GHOSTS позволяет исследователям и разработчикам ИИ обучать модели на объемных массивах данных, имитирующих реальные клинические сценарии. Это открывает новые возможности для развития предиктивной аналитики и систем поддержки принятия врачебных решений в условиях строгих регуляторных ограничений.