Как эффективно подходить к статистическому процессу де-идентификации

Инновации в здравоохранении основаны на способности выяснить, что данные пытаются нас научить. Аналитика данных, включая, помимо прочего, аналитику данных, основанные на Genai, представляет собой ненасытный спрос на крупные, хорошо продуманные, доступные для поиска наборы данных. Это уже проблема – у нас много данных, но не так много хороших данных. Усугубление этой проблемы с курированием данных часто является юридическим, политическим, этическим или бизнес-риском мандатом, чтобы кураторские данные также были «отменены». Для наборов данных, которые включают в себя защищенную медицинскую информацию (PHI), предоставление данных о предоставлении данных должно быть сделано в соответствии с одним из двух методов, изложенных в правилах HIPAA. И последовательно, метод, который обычно работает для аналитики данных, является статистическим методом.

Статистический метод не новый. И вопреки публичному мифу, он не считается «менее совместимым», чем альтернатива, так называемый метод безопасной гавани. Первоначально Управление гражданских прав, которое управляет HIPAA, предложило только включать статистический метод. Но регулируемое сообщество хотело простую, ополаскиваемой и повторяющейся стандарта, который не потребовал бы, чтобы они получали статистическое руководство в каждом случае, которое рассматривалось как серьезное транзакционное бремя. Метод Safe Harbor, который требует удаления 18 перечисленных полей, расширяет административную легкость для регулируемого сообщества, но поставляется с высокой ценой. Во многих случаях данные, оставшиеся после устранения или запутывания всех данных, необходимых для де-идентификации Safe Harbor, больше не подходят для цели.

Статистическая де-идентификация-это такая же тактическая деятельность, как и стратегическая. Есть несколько конкретных шагов, которые регулируемое сообщество может предпринять, чтобы получить максимальную отдачу от ваших статистических идентификационных идентификационных идентификационных инициатив.

• Мотивация имеет значение: Безопасная гавань и статистическая де-идентификация представляют различные стратегические возможности и препятствия для соблюдения. Отставка безопасной гавани позволяет регулируемой стороне иметь относительно простой метод самостоятельной де-идентификации путем удаления 18 перечисленных полей, при условии, что ни одна из этих полей не необходима для предполагаемой деятельности. Он роботизирован, но также негибкий. Статистический метод, напротив, предназначен для обеспечения гибкости путем изучения фактических, измеримых рисков повторной идентификации, представленной рядом факторов, включая данные, а также получателя, другую информацию, доступную для получателя и политики и договорных гарантий. Требуется программа управления, чтобы убедиться, что параметры мнения соблюдаются, но в обмене практически универсально позволяет более широкому набору данных более идентифицированный набор данных.
• Привлекать адвоката: Если вы впервые выполняете статистическую де-идентификацию или это статистическое упражнение стратегически или материально отличается от прошлых мнений, процесс, вероятно, будет повысить юридические вопросы и вопросы соответствия, а юридическая консультация будет важна.
• Думай в первую очередь: Статистическое упражнение- это хорошая возможность привлечь заинтересованные стороны бизнеса к пониманию краткосрочных и среднесрочных данных. Начните с размышлений о (1) максимальных данных, которые были бы полезны, чтобы сохранить в обезжиренном наборе данных; (2) потенциальные получатели де-идентифицированного набора данных и разумные элементы управления вокруг их использования; и (3) диапазон возможных вариантов использования и бизнес -приоритетов. Работая с вашим экспертом, вам может потребоваться отступить от определенных полей данных или целей, но, думая с самого начала, вы можете более эффективно работать со своим экспертом.
• Больше, чем редакция: При настройке элемента словаря данных мнения редакция данных (удаление определенных полей) является наиболее очевидным инструментом. Ваш статистик, однако, может предоставить руководство с большим количеством нюансов, как с точки зрения защиты конфиденциальности, так и сохранения утилиты данных. Например, рандомизация данных или смещение данных, добавляя шум, чтобы затруднить различение повторных идентификационных шаблонов, включая синтетические данные, создание внешних полей, и можно исследовать ряд других методов запутывания данных. Криптографические методы создания частных идентификаторов должны быть тщательно применены, чтобы гарантировать, что частные идентификаторы практически не обратимы, в том числе путем выбора соответствующих криптографических ключей. Методы преобразования данных должны соответствовать цели-в некоторых случаях манипуляции с данными могут означать, что данные не могут быть использованы, например, для определенных FDA-регулируемых целей. Но это часть стратегической дискуссии.
• Больше, чем просто столы: Статистическая де-идентификация может использоваться для де-идентификации неструктурированных данных, включая текст, клинические заметки и медицинские изображения. Технологии и возможности быстро развиваются, и неструктурированные данные перешли от ниши и лишь избирательно поддаются масштабируемому варианту всего за несколько лет. При рассмотрении максимальных данных в де-идентифицированном наборе данных важно проверить предположения о том, что практически достижимо, чтобы гарантировать, что варианты не ограничены искусственно.
• Будьте готовы к торговле лошадью: Во многих случаях хорошо продуманное статистическое мнение представит вам компромиссы на доступных областях данных или гранулярности. Чтобы проиллюстрировать с простым примером, могут быть разрешены поля данных, связанные с этнической принадлежностью, но не в определенных местах, где они будут высоко идентифицировать из-за демографии местного населения. Вместо мнения, требующего редактирования этнической принадлежности или местоположения во всех случаях, оно может разрешить поля данных в соответствии с определенными параметрами, но «серо -сери» на доступность полей данных в других. Если вы можете реализовать архитектуру данных для этого, вы создаете меню вариантов для вашего бизнеса, позволяя получателям получить доступ к определенным данным в гибкой структуре.
• Мнение как рецепт: Данные, которые будут сохраняться в де-идентифицированном наборе данных (обычно называемый словарем данных), являются лишь одним из элементов в общем мнении. Мнение будет иметь несколько других ингредиентов – все это имеет значение, и вам нужно будет соблюдать все их, чтобы мнение было применимым. Например, статистики могут рассмотреть наличие определенных договорных положений или политик, имеющих отношение к измерению риска. Или статистик мог принять во внимание заявленную цель де-идентифицированного набора данных. Точно так же, как рецепт хлеба не станет буханкой, если вы решите отказаться от дрожжей или игнорировать воду, вам необходимо реализовать и соблюдать мнение в целом.
• Построить статистические отношения: Первоначальный подъем для мнения является самым большим. Но мнение должно быть обновлено, как правило, каждые 18 месяцев, хотя временные рамки различаются. И вы можете обнаружить, что предположения в мнении должны быть рассмотрены или изменены. Если ваш статистический эксперт является сильным партнером, они помогут вам расти и адаптировать мнение в соответствии с вашими стратегическими приоритетами, даже между периодами обновления.
• Построить пешеходный переход: Одним из пониманий, встроенных в стандарты деонимутификации HIPAA, является необходимость (в любом методе) для обновления отключенных данных с течением времени. Учреждения могут реализовать код связывания, который позволяет им определять новые данные по мере его поступления и связывать его с людьми в наборе данных. Хотя для каждой цели не нужны, продольные де-идентифицированные наборы данных необходимы для многих целей, описанных выше. Технологии токенизации и сцепления также могут применяться для связи между дискретными наборами данных без обмена PHI или идентифицирующими элементами, хотя важно обеспечить, чтобы результирующий связанный набор данных соответствует стандартам де-идентификации HIPAA.
• Лужа данных или озеро данных: В некоторых случаях данные, которые вам необходимы для определения идентификации, являются дискретными и будут генерироваться в каждом конкретном случае, применяя параметры мнения. В других случаях ваш бизнес может представлять ряд будущих, неуточненных и/или различных вариантов использования данных. В последнем случае вы можете разработать озеро данных – крупное, кураторское, набор данных в состоянии покоя, которое доступно для предоставления небольших сокращений данных для конкретных проектов. Хорошо продуманное мнение одинаково применимо для целых и подмножеств.
• Де-идентификация против агрегации данных: Агрегация данных – это термин искусства в рамках HIPAA, который включает использование PHI из нескольких покрываемых объектов для сравнительного анализа и других совместных действий. Регулируемое сообщество часто использует «де-идентифицированные» и «агрегированные» взаимозаменяемо, но это не так. Убедитесь, что вам нужны данные о прекращении идентифицированных данных для конкретного проекта.
• Инвестировать в тегирование данных: Тегинг данных позволит вашей организации иметь больше ловкости в данных, которые она считает доступными для де-идентификации, и обеспечит гранулярность на полевом уровне. Это техническая оперативная и административная работа, которая может не показаться гламурной, но это важный строительный блок прибыльных наборов данных.
• Роль ИИ: Невозможно что -то сказать о теме здравоохранения или данных прямо сейчас, не говоря о искусственном интеллекте. Итак, мы просто скажем следующее: ИИ-это бремя и подарок в де-идентификации. Инструменты искусственного интеллекта могут помочь в определении неструктурированных данных (общеизвестно трудных) и могут ускорить инструменты де-идентификации и анализ набора данных. ИИ также может быть использован для двойной проверки статистических предположений о остаточном риске. Но инструменты искусственного интеллекта также могут потенциально изменить исчисление риска повторной идентификации, если инструменты ИИ могут опросить данные и идентифицировать шаблоны, используемые для повторной идентификации по новым способам.

По мере роста требований данных де-идентификация является важным управлением и стратегическим приоритетом для заинтересованных сторон в экономике цифровых данных. Проекты по де-идентификации позволяют инженерам, лидерам бизнеса, лидерам соответствия и адвокатам совместной совместной совместной работы и созданию разговора о управлении данными, которые приносят дивиденды за пределы самого набора данных.

Фото: Weiquan Lin, Getty Images

Этот пост появляется через Medicity влиятельные лица программа Любой может опубликовать свой взгляд на бизнес и инновации в области здравоохранения в Medicity News через Medicity влиятельные лица. Нажмите здесь, чтобы узнать, какПолем