50%の見逃し率の問題
2025年のLLMベースの非識別化ツールに関する調査（arXiv:2509.14464）では、一般的なLLMツールが多言語文書において50%以上の臨床PHIを見逃すことがわかりました。この数字は、根本的なアーキテクチャの不一致を反映しています：LLMは言語理解と生成のために設計されており、HIPAAの非識別化が要求する構造化された高リコールの識別タスクには適していません。
HIPAAプライバシールールのセーフハーバー方式は、18種類の特定の識別子カテゴリの削除を要求します：名前、地理データ、日付、電話番号、ファックス番号、メールアドレス、SSN、医療記録番号、健康保険受益者番号、口座番号、証明書/ライセンス番号、VIN、デバイス識別子、ウェブURL、IPアドレス、生体識別子、全顔写真、その他のユニークな識別番号またはコード。これらの各カテゴリには、特定の検出ロジックを必要とする構造化された形式があります。
臨床ノートは、困難が集中する場所です。典型的な臨床ノートの断片を考えてみてください：「Pt. John D., DOB 4/12/67, MRN 1234567, presented to ED on 03/15/24 with chest pain. Prior Hx: HTN, DM. Dr. Smith ordered ECG.」この一文には、名前、生年月日、MRN、入院日、治療医 — 5つのHIPAA識別子が含まれており、一部は略語形式で臨床略語に埋め込まれています。
LLMが見逃すものとその理由
一般的なLLMは、臨床PHIに対して予測可能なパターンで失敗します。
略語の識別子： 臨床ノートでは、標準的な略語（DOBは生年月日、MRNは医療記録番号、Pt.は患者）を使用しており、文脈に依存しないNERはこれをPIIマーカーとして認識できない場合があります。上記のノートを一般的な理解のために読むLLMは、臨床的な意味を理解しますが、PHI抽出を任されたLLMは「Pt. John D.」を部分的な名前パターンとして見逃すかもしれません。
文脈依存の日付： 臨床ノートの日付には特定のHIPAAの重要性があります。「Age 67」は部分的な非識別子であり、注意が必要です。「DOB 4/12/67」はPHIです。「03/15/24」は入院日としてPHIです。これらは、単なる日付パターンマッチングではなく、文脈を考慮した日付抽出を必要とします。
地域の識別子形式： Cyberhavenの研究（2025年第4四半期）では、全ChatGPT入力の34.8%が多言語PIIを含む機密データを含んでいることがわかりました。医療文脈では、これには米国以外の医療記録形式、国際的な日付規則、米国中心のシステムが見逃す国特有の健康識別子形式が含まれます。
カスタム機関識別子： 医療システムは、標準的なNERトレーニングデータに含まれない独自のMRN形式、従業員ID、施設コードを使用します。カスタムエンティティタイプのサポートがないシステムでは、これらを検出できません。
研究データセットのコンプライアンス問題
50万件の臨床ノートから非識別化された研究データセットを構築する病院システムは、複合的なリスクに直面しています。HIPAAは、非識別化された研究データセットがセーフハーバー方式の下で「非常に小さなリスク」基準を満たすか、専門的決定の下での統計的アプローチを満たすことを要求します。PHIの50%を見逃すシステムは、この基準に失敗するデータセットを生成し、研究機関をOCRの執行やIRBコンプライアンスの失敗にさらします。
研究データセット内の臨床ノートは均一ではありません。これらは異なる部門（心臓病学、腫瘍学、精神医学）、異なる文書スタイル、異なる期間、そして多言語の健康システムにおいて異なる言語を跨いでいます。構造化された請求データに対して適切に機能する非識別化システムは、PHIがラベル付きフィールドではなくナarrativeコンテキストに現れる非構造化された精神科進行ノートでは失敗する可能性があります。
ハイブリッド検出要件
2025年の研究調査では、一貫したパターンが特定されました：PHIリコールが最も高いシステムは、構造化された識別子検出（SSN、MRN、電話番号のためのregex）を文脈的NER（ナarrativeコンテキストにおける名前、日付のためのトランスフォーマーベースのモデル）およびカスタムエンティティサポート（機関特有の識別子）と組み合わせています。
純粋なMLアプローチは、整然としたテキスト内の一般的な識別子に対して高いリコールを達成しますが、略語、珍しい識別子タイプ、および非英語テキストに対して劣化します。純粋なregexアプローチは、構造化された識別子に対して高いリコールを達成しますが、文脈的PHI（タイトルプレフィックスなしで臨床ナarrativeに言及された医師の名前）を見逃します。
構造化された識別子のためのregex、文脈的PHIのためのNLP、クロスリンガルおよび略語形式のためのトランスフォーマーモデルというハイブリッドな三層アーキテクチャは、調査によってHIPAAセーフハーバーコンプライアンスに適した5%未満の見逃し率を達成するパターンとして特定されました。
出典：