La Brecha Que La Eliminación de Columnas No Cubre
Actualizado para 2026
Los conjuntos de datos de investigación viajan entre universidades como archivos CSV. Cuando los equipos preparan un CSV para compartir, el trabajo es por columnas. Encontrar los datos personales. Eliminarlos o reemplazarlos.
Ese método funciona para campos fijos. Una columna llamada "email" contiene direcciones de correo — eliminarla. Una columna llamada "phone" contiene números de teléfono — eliminarla. Una columna llamada "participant_name" contiene nombres — reemplazarlos con un código.
Pero las respuestas en texto libre son un punto ciego. Eliminar columnas etiquetadas no las toca.
Una encuesta con 5.000 filas puede tener cinco columnas PII estructuradas y quince columnas de respuesta en texto libre. Las estructuradas contienen nombres, correos, teléfonos, IDs y años de nacimiento. Las de texto libre contienen comentarios, notas y sugerencias.
Las columnas estructuradas se limpian. Las de texto libre quedan en bruto. Pero los encuestados escriben cosas como estos tres ejemplos.
Primero: "Mi médico en el Boston Medical Center, la Dra. María Santos, dijo que el tratamiento era nuevo." Segundo: "He estado lidiando con esto desde mi accidente de 2019." Tercero: "Puede contactar a mi cuidadora en margaret.wells@gmail.com para más detalles."
Cada entrada nombra a una persona real. Algunas incluyen datos de salud o información de contacto. Nada de esto aparece en un encabezado de columna. Nada de esto es capturado por la eliminación de columnas.
Por Qué Esto No Cumple el Estándar del RGPD
El considerando 26 del RGPD define los registros anónimos como aquellos que no pueden vincularse a ninguna persona. El listón es alto. Los registros solo son verdaderamente anónimos cuando la re-identificación no es razonablemente posible.
Un CSV con columnas estructuradas limpias pero personas nombradas en texto libre no supera esa prueba. Esos nombres son identificables. El conjunto de datos sigue siendo personal. Las reglas de salvaguarda del artículo 89 del RGPD aún se aplican. Así surgen tres riesgos.
Exención de investigación científica (art. 89): El artículo 89 permite a los investigadores procesar datos personales para la ciencia con menos obligaciones. Pero solo donde existan "garantías apropiadas". Compartir un archivo con PII en texto libre aún presente mientras se invoca el artículo 89 es un incumplimiento legal.
Aprobación ética: La mayoría de los comités de ética e IRB requieren una anonimización genuina para los conjuntos de datos compartidos. El trabajo parcial — columnas estructuradas limpias, texto libre en bruto — generalmente no supera la prueba. El comité puede rechazar la solicitud.
Acuerdos de intercambio de datos: Los DSA entre instituciones establecen el nivel de anonimización requerido. El trabajo parcial que no cumple el considerando 26 del RGPD puede violar el DSA. Consulte nuestra visión general de cumplimiento legal para ver cómo encaja en un programa más amplio.
Por Qué el Texto Libre Es Tan Difícil de Limpiar
Las respuestas en texto libre de encuestas son de los objetivos PII más difíciles. Aquí está el motivo.
Nombres en contexto: "Dra. María Santos en el Boston Medical Center" requiere reconocimiento de entidades nombradas (NER) para identificar una persona y una organización. Las listas de palabras clave no pueden encontrar esto.
Nombres en historias: "El auto de Juan chocó el mío" coloca un nombre real dentro de una narrativa. Es una persona mencionada de pasada. Solo NER lo detecta.
Formatos no estándar: Los datos de contacto pueden leerse como "escríbame a margaret punto wells arroba gmail". Las herramientas de solo regex no capturan estas variantes.
Entidades específicas de investigación: Las encuestas clínicas suelen contener IDs de hospitales, códigos de sitios y nombres de lugares. Estos pueden identificar a una persona aunque parezcan genéricos.
La coincidencia de patrones sola no es suficiente. Se necesitan herramientas NLP para una anonimización real de encuestas. Consulte Seguridad y Cumplimiento para opciones técnicas.
Un Ejemplo Real de Tres Universidades
Un equipo de investigación de tres universidades europeas realizó una encuesta sobre experiencia del paciente. El conjunto de datos tenía 5.000 encuestados, 3 columnas PII estructuradas y 8 columnas de respuesta en texto libre. El objetivo era compartirlo entre instituciones bajo un DSA y el artículo 89 del RGPD.
Solo con eliminación de columnas:
- Columnas PII estructuradas: eliminadas
- Respuestas en texto libre: dejadas en bruto
- Afirmación: "Columnas PII eliminadas"
- PII restante: 47 personas nombradas, 23 direcciones de correo en comentarios, 18 referencias de lugar que podrían identificar encuestados
Con detección NLP:
- Columnas PII estructuradas: pseudonimizadas con tokens consistentes
- Respuestas en texto libre: 47 nombres reemplazados, 23 correos enmascarados, 18 referencias de lugar generalizadas ("Boston Medical Center" → "[Institución de Salud]")
- Resultado: un archivo que cumple el considerando 26 del RGPD
- El comité de ética aprobó el método
- El DPO confirmó el cumplimiento del DSA
La brecha es real. El primer resultado parece limpio. El segundo resultado está limpio.
Un Protocolo de Cinco Pasos Antes de Compartir
Use estos pasos antes de compartir cualquier archivo de encuesta o entrevista.
Paso 1: Etiquetar cada columna Marcar cada columna como PII estructurada, no-PII estructurada o respuesta en texto libre. Escribirlo.
Paso 2: Manejar la PII estructurada Eliminar las entradas no necesarias para el análisis. Pseudonimizar las entradas necesarias para vincular registros. Registrar los códigos utilizados.
Paso 3: Escanear columnas de texto libre Aplicar detección NLP en todas las columnas de texto libre. Revisar cada entidad detectada. Confirmar cuáles son PII reales.
Paso 4: Aplicar reemplazos
Reemplazar la PII confirmada en el texto libre. Usar etiquetas claras como [PERSONA], [EMAIL] o [LUGAR].
Paso 5: Verificar y documentar Muestrear 50–100 filas de la salida. Revisar las entradas de texto libre manualmente. Escribir una nota breve: herramientas usadas, tipos de entidades encontradas, columnas procesadas. Compartirla con el conjunto de datos para la revisión ética.
Esto convierte "eliminamos la columna de nombres" en un proceso claro y documentado. Cumple el artículo 89 del RGPD y los estándares de anonimización que requiere la mayoría de los comités de ética. Visite nuestro hub de documentación para guías relacionadas.
Fuentes
- Artículo 89 del RGPD: Garantías para la Investigación Científica — VERIFIED-EXTERNAL
- Considerando 26 del RGPD: Principio de Anonimización — VERIFIED-EXTERNAL
- ICO: Anonimización y Gestión del Riesgo de Protección de Datos — VERIFIED-EXTERNAL