Analiza datelor structurate poate ajuta la o mai bună diagnosticare și îngrijire a pacientului. Cu toate acestea, analiza datelor nestructurate poate alimenta descoperiri și descoperiri medicale revoluționare.
Acesta este esența subiectului pe care îl vom discuta astăzi. Este foarte interesant de observat că atât de multe progrese radicale în spațiul tehnologiei medicale s-au întâmplat cu doar 10-20% din datele de sănătate utilizabile.
Statisticile arată că peste 90% din datele din acest spectru sunt nestructurate, ceea ce se traduce în date care sunt mai puțin utilizabile și mai greu de înțeles, interpretat și aplicat. De la date analogice, cum ar fi rețeta unui medic, până la date digitale sub formă de imagini medicale și date audiovizuale, datele nestructurate sunt de diferite tipuri.
Astfel de bucăți masive de date nestructurate găzduiesc informații incredibile care pot avansa rapid progresele în domeniul sănătății cu decenii. Fie că ajută la descoperirea de medicamente pentru bolile autoimune critice care consumă viața la date care pot ajuta companiile de asigurări de sănătate în evaluarea riscurilor, datele nestructurate pot deschide calea pentru posibilități necunoscute.
Atunci când există astfel de ambiții, interpretabilitatea și interoperabilitatea datelor medicale devin cruciale. Având în vedere directivele stricte și aplicarea respectării reglementărilor, cum ar fi GDPR și HIPAA, ceea ce devine inevitabil este anonimizarea datelor medicale.
Am scris deja un articol amplu despre demitizarea datelor structurate și nestructurate din domeniul sănătății . Există și un articol dedicat (citește-l amplu) despre anonimizarea datelor din domeniul sănătății . Vă îndemnăm să îl citiți pentru informații complete, deoarece vom avea acest articol pentru un articol special despre anonimizarea datelor nestructurate.
Provocări în de-identificarea datelor nestructurate
După cum sugerează și numele, datele nestructurate nu sunt organizate. Sunt împrăștiate în ceea ce privește formatele, tipurile de fișiere, dimensiunile, contextul și multe altele. Simplul fapt că datele nestructurate există sub formă de audio, text, imagistică medicală, intrări analogice și multe altele face cu atât mai dificilă înțelegerea identificatorilor de informații personale (PII), care sunt esențiali în deidentificarea datelor nestructurate.
Pentru a vă oferi o privire asupra provocărilor fundamentale, iată o listă rapidă:
- Înțelegerea contextuală – acolo unde este dificil pentru o parte interesată AI să înțeleagă contextul specific din spatele unei anumite porțiuni sau aspect al datelor nestructurate. De exemplu, înțelegerea dacă un nume este un nume de companie, numele unei persoane sau un nume de produs poate aduce o dilemă dacă ar trebui să fie de-identificat.
- Date non-textuale – unde identificarea indiciilor auditive sau vizuale pentru nume sau PII poate fi o sarcină descurajantă, deoarece o parte interesată poate fi nevoită să treacă ore și ore de filmare sau înregistrare încercând să deidentifice aspectele critice.
- Ambiguitate – acest lucru este valabil în mod specific în contextul datelor analogice, cum ar fi rețeta unui medic sau o înregistrare a unui spital într-un registru. De la scriere de mână până la limitările de exprimare în limbaj natural, ar putea face de-identificarea datelor o sarcină complexă.
Cele mai bune practici de deidentificare a datelor nestructurate
Procesul de eliminare a informațiilor cu caracter personal (PII) din datele nestructurate este destul de diferit de dezidentificarea datelor structurate , dar nu imposibil. Printr-o abordare sistematică și contextuală, potențialul datelor nestructurate poate fi valorificat fără probleme. Să analizăm diferitele modalități prin care se poate realiza acest lucru.
Redactarea imaginilor: Aceasta se referă la datele de imagistică medicală și implică eliminarea identificatorilor pacienților și estomparea referințelor și porțiunilor anatomice din imagini. Acestea sunt înlocuite cu caractere speciale pentru a păstra în continuare funcționalitatea diagnostică și utilitatea datelor de imagistică.
Potrivirea tiparelor: Unele dintre cele mai comune informații personale, cum ar fi numele, datele de contact și adresele, pot fi detectate și eliminate folosind înțelepciunea studierii tiparelor predefinite.
Confidențialitate diferențială sau perturbare a datelor: Aceasta implică includerea zgomotului controlat pentru a ascunde datele sau atributele care pot fi urmărite până la o persoană. Această metodă ideală nu numai că asigură de-identificarea datelor, ci și păstrarea proprietăților statistice ale setului de date pentru analize.
Deidentificarea datelor: Aceasta este una dintre cele mai fiabile și eficiente metode de a elimina informațiile cu caracter personal (PII) din datele nestructurate. Aceasta poate fi implementată în două moduri:
- Învățare supravegheată – în cazul în care un model este antrenat pentru a clasifica textul sau datele ca PII sau non-PII
- Învățare nesupravegheată – în cazul în care un model este antrenat să învețe în mod autonom să detecteze modele în identificarea PII
Această metodă asigură protejarea confidențialității pacientului , menținând în același timp intervenția umană pentru aspectele cele mai redundante ale sarcinii. Părțile interesate și furnizorii de date medicale care implementează tehnici de învățare automată (ML) pentru a deidentifica datele nestructurate pot avea pur și simplu un proces de asigurare a calității activat de om pentru a asigura corectitudinea, relevanța și acuratețea rezultatelor.
Mascarea datelor: Mascarea datelor este un joc de cuvinte digital pentru anonimizarea datelor medicale, în care identificatorii specifici sunt redați generici sau vagi prin tehnici de nișă, cum ar fi:
- Tokenizare - implicând înlocuirea PII-urilor cu caractere sau jetoane
- generalizare - prin înlocuirea valorilor PII specifice cu cele generice/vagi
- amestecare – amestecând PII pentru a le face ambigue
Cu toate acestea, această metodă vine cu o limitare că, cu un model sau o abordare sofisticată, datele pot fi re-identificabile
Outsourcing către jucătorii de pe piață
Singura abordare corectă pentru a asigura că procesul de anonimizare a datelor nestructurate este ermetic, infailibil și respectă directivele HIPAA este externalizarea sarcinilor către un furnizor de servicii fiabil, precum Shaip . Cu modele de ultimă generație și protocoale rigide de asigurare a calității, ne asigurăm că supravegherea umană în ceea ce privește confidențialitatea datelor este atenuată în orice moment.
Fiind o întreprindere dominantă pe piață de ani de zile, înțelegem criticitatea proiectelor dumneavoastră. Așadar, contactați-ne astăzi pentru a vă optimiza ambițiile în domeniul sănătății cu date de asistență medicală de-identificate de Shaip.
