Der Zugang zu elektronischen Gesundheitsakten (Electronic Health Record, EHR) hat erhebliche Fortschritte in der computergestützten medizinischen Forschung ermöglicht. Dennoch können verschiedene Bedenken, insbesondere hinsichtlich des Datenschutzes, den Zugang zu und die kooperative Nutzung von EHR-Daten einschränken. Der Austausch synthetischer EHR-Daten könnte diese Risiken reduzieren. In diesem Paper stellen wir einen neuen Ansatz vor: den medizinischen Generativen adversarialen Netzwerk (medGAN), der realistische synthetische Patientenakten erzeugt. Auf Basis von Eingabedaten echter Patienten kann medGAN hochdimensionale diskrete Variablen (z. B. binäre und Zählvariablen) mittels einer Kombination aus Autoencoder und generativen adversarialen Netzwerken erzeugen. Zudem schlagen wir eine Minibatch-Averaging-Methode vor, um effizient eine Mode-Kollaps-Problematik zu vermeiden, und erhöhen die Lerneffizienz durch Batch-Normalisierung und Shortcut-Verbindungen. Zur Demonstration der Machbarkeit zeigen wir, dass medGAN synthetische Patientenakten erzeugt, die in zahlreichen Experimenten – einschließlich Verteilungsstatistiken, prädiktiven Modellierungsaufgaben und einer Bewertung durch medizinische Experten – vergleichbare Leistung wie echte Daten erreicht. Zudem beobachten wir empirisch eine begrenzte Datenschutzrisiken hinsichtlich der Identitäts- und Attribut-Offenlegung bei Verwendung von medGAN.