Το Πρόβλημα του 50% Ποσοστού Παράλειψης
Μια έρευνα του 2025 (arXiv:2509.14464) δοκίμασε εργαλεία LLM σε κλινικά αρχεία. Τα αποτελέσματα ήταν άσχημα. Αυτά τα εργαλεία έχασαν πάνω από 50% των κλινικών PHI σε πολύγλωσσα έγγραφα. Η αιτία είναι απλή. Τα LLM είναι κατασκευασμένα για παραγωγή κειμένου. Δεν είναι κατασκευασμένα για την εργασία ανίχνευσης υψηλής ανάκλησης που απαιτεί η HIPAA.
Η HIPAA Safe Harbor απαριθμεί 18 τύπους προστατευμένων αναγνωριστικών. Ονόματα, ημερομηνίες, αριθμοί τηλεφώνου, SSN, MRN, αναγνωριστικά ασφαλιστικών σχεδίων υγείας, αναγνωριστικά συσκευών και διευθύνσεις IP. Ο καθένας χρειάζεται τη δική του λογική ανίχνευσης.
Οι κλινικές σημειώσεις κάνουν τα πράγματα δυσκολότερα. Πάρτε αυτό το παράδειγμα: «Ασθ. Ιωάννης Π., ΗΓ 4/12/67, MRN 1234567, εισαγωγή 03/15/24, ο Δρ. Παπαδόπουλος διέταξε ΗΚΓ.» Μια πρόταση. Πέντε προστατευμένα αναγνωριστικά. Τα περισσότερα χρησιμοποιούν συντομευμένες μορφές. Ένα μοντέλο κατασκευασμένο για κλινική σημασία συχνά αποτυγχάνει στην εργασία ανίχνευσης.
Τι Χάνουν τα LLM και Γιατί
Τα εργαλεία LLM αποτυγχάνουν σε κλινικά αρχεία με συγκεκριμένους τρόπους.
Συντομευμένα αναγνωριστικά: Οι κλινικές σημειώσεις χρησιμοποιούν συντομογραφίες. ΗΓ, MRN και Ασθ. είναι συνηθισμένες μορφές. Ένα μοντέλο ρυθμισμένο για κλινική σημασία μπορεί να μην επισημάνει το «Ασθ. Ιωάννης Π.» ως όνομα. Η εξαγωγή ευαίσθητων δεδομένων χρειάζεται διαφορετικό στόχο.
Ημερομηνίες εξαρτώμενες από το πλαίσιο: Δεν εγκυμονούν τον ίδιο κίνδυνο όλες οι ημερομηνίες. Το «Ηλικία 67» είναι ένας ήπιος δείκτης. Το «ΗΓ 4/12/67» είναι άμεσο προστατευμένο αναγνωριστικό. Το «03/15/24» ως ημερομηνία εισαγωγής επίσης προστατεύεται. Η αντιστοίχιση μοτίβων μόνη της δεν αρκεί.
Μη αμερικανικές μορφές: Η Cyberhaven (Q4 2025) διαπίστωσε ότι το 34,8% όλων των εισόδων στο ChatGPT περιέχουν ευαίσθητα δεδομένα, συμπεριλαμβανομένων πολύγλωσσων PII. Στην υγειονομική περίθαλψη, αυτό σημαίνει μη αμερικανικά αναγνωριστικά εγγραφών, περιφερειακές μορφές ημερομηνιών και τοπικούς τύπους αναγνωριστικών υγείας. Τα εργαλεία εκπαιδευμένα στις ΗΠΑ τα χάνουν σταθερά.
Προσαρμοσμένα αναγνωριστικά νοσοκομείων: Τα νοσοκομεία χρησιμοποιούν δικές τους μορφές MRN, αναγνωριστικά προσωπικού και κωδικούς τοποθεσιών. Αυτά δεν βρίσκονται σε τυπικά δεδομένα εκπαίδευσης NER. Ένα εργαλείο χωρίς υποστήριξη προσαρμοσμένων οντοτήτων δεν θα τα βρει.
Ο Κίνδυνος των Ερευνητικών Συνόλων Δεδομένων
Ένα νοσοκομείο που δημιουργεί ερευνητικό σύνολο δεδομένων από 500.000 σημειώσεις αντιμετωπίζει πραγματικό πρόβλημα συμμόρφωσης. Η HIPAA απαιτεί πρότυπο «πολύ μικρού κινδύνου» για ανωνυμοποιημένα δεδομένα. Ένα εργαλείο που χάνει τη μισή από τα προστατευμένα αναγνωριστικά δεν μπορεί να πληροί αυτό το κριτήριο.
Τα ερευνητικά αρχεία δεν είναι καθαρά δεδομένα. Οι σημειώσεις καλύπτουν πολλά τμήματα, χρονικές περιόδους και μερικές φορές γλώσσες. Ένα εργαλείο που λειτουργεί σε δεδομένα χρέωσης μπορεί να αποτύχει σε αφηγηματικές σημειώσεις. Τα ευαίσθητα δεδομένα σε ελεύθερο κείμενο δεν έχουν ετικέτα πεδίου.
Η έγκριση IRB προσθέτει επιπλέον απαιτήσεις. Τα ιδρύματα πρέπει να αποδείξουν τη μέθοδο που χρησιμοποιήθηκε, τους τύπους αναγνωριστικών που αφαιρέθηκαν και τους ελέγχους που πραγματοποιήθηκαν. Ένα εργαλείο που χάνει τη μισή από όλες τις εγγραφές δεν μπορεί να πληροί αυτές τις απαιτήσεις.
Δείτε την επισκόπηση συμμόρφωσης και τις πρακτικές ασφαλείας μας για το πώς το anonym.legal υποστηρίζει εργασίες HIPAA.
Η Τριεπίπεδη Διόρθωση
Η έρευνα του 2025 βρήκε ένα σαφές μοτίβο. Τα εργαλεία με τα χαμηλότερα ποσοστά παράλειψης χρησιμοποιούσαν τρία επίπεδα ανίχνευσης.
Επίπεδο πρώτο — regex: Εντοπίζει δομημένα αναγνωριστικά. SSN, MRN, αριθμούς τηλεφώνου, αναγνωριστικά ασφαλιστικών σχεδίων υγείας. Αξιόπιστο σε σταθερές μορφές.
Επίπεδο δεύτερο — NER: Χρησιμοποιεί μοντέλα transformer. Εντοπίζει ονόματα, ημερομηνίες και ευαίσθητα δεδομένα σε αφηγηματικό κείμενο. Λειτουργεί όπου δεν μπορεί το regex.
Επίπεδο τρίτο — προσαρμοσμένες οντότητες: Χειρίζεται τοποθεσιακές μορφές. Ιδιόκτητα μοτίβα MRN, αναγνωριστικά προσωπικού, κωδικούς εγκαταστάσεων. Κανένα τυπικό μοντέλο δεν τα καλύπτει.
Τα καθαρά εργαλεία ML υποβαθμίζονται σε συντομευμένες μορφές και μη αγγλικό κείμενο. Τα καθαρά εργαλεία regex χάνουν ευαίσθητα δεδομένα χωρίς ετικέτα πεδίου. Κανένα από τα δύο μόνο του δεν αρκεί.
Μόνο ο τριεπίπεδος σχεδιασμός έφτασε ποσοστά παράλειψης κάτω από 5% στην έρευνα. Αυτό είναι το κριτήριο για συμμόρφωση με το HIPAA Safe Harbor.
Δείτε τον οδηγό μας για ανωνυμοποίηση HIPAA Safe Harbor για έρευνα για επόμενα βήματα.