50% Praleidimo Normos Problema
2025 m. apzvalga (arXiv:2509.14464) isme DKM priemones su klinikiniais irasais. Rezultatai buvo blogi. Sios priemones praleido daugiau nei 50% klinikiniu SAI daugiakalbiu dokumentuose. Priezastis prasta. DKM yra sukurti teksto isvestiai. Jie nera sukurti didelio atpazistamojo aptikimo uzduociai, kurios HIPAA reikalauja.
HIPAA Saugaus Uosto sarasas turi 18 saugomy identifikatoriaus tipu. Vardai, datos, telefono numeriai, SAI numeriai, sveikatos planu atpazinimo numeriai, irenginio atpazinimo numeriai ir IP adresai. Kiekvienas reikalauja savo aptikimo logikos.
Klinikiniai pazymejinai tai apsunkina. Imkime si pavyzdi: "Pac. Jonas D., gim. data 4/12/67, MRN 1234567, paguldytas 03/15/24, dr. Smithas isgave EKG." Vienas sakinys. Penki saugomi identifikatoriai. Dauguma naudoja trumpintas formas. Modelis, sukurtas klinikinam prasmei, dazniausiai nepavyksta aptikimo uzduotyje.
Ka DKM Praleidzia ir Kodel
DKM priemones nepavyksta su klinikiniais irasais nustatytais budais.
Trumpintos formos identifikatoriai: Klinikiniai pazymejinai naudoja trumpinius. Gim. data, MRN ir Pac. yra iprastos formos. Modelis, suderintas klinikinam prasmei, gali nepazymeti "Pac. Jonas D." kaip vardo. Jautriu duomenu isskaitymas reikalauja kito tikslo.
Nuo konteksto priklausomos datos: Ne visos datos kelia ta pati rizika. "67 metu amzius" yra svelnaus indikatorius. "Gim. data 4/12/67" yra tiesioginis saugomas identifikatorius. "03/15/24" kaip iprastos hospitalizacijos data taip pat yra saugoma. Sabloniniai atitikimai patys vienas nera pakankami.
Ne-JAV formatai: Cyberhaven (2025 m. 4 ketvirtis) nustate, kad 34,8% visu ChatGPT ivvestu duomenu turi jautriu duomenu, iskaitant daugiakalbius AAS. Sveikatos apsaugoje tai reiskia ne-JAV irasu atpazinimo numerius, regioninius datos formatus ir vietinius sveikatos atpazinimo tipus. JAV apmokytus priemones ju nuolat praleidzia.
Pasirinktini ligoninieu identifikatoriai: Ligonines naudoja savo MRN formatus, personalo atpazinimo numerius ir objektu kodus. Jie nera standartiniuose NER mokymo duomenyse. Priemone be pasirinktines esybiu palaikymo ju neras.
Tyrimo Duomenu Rinkinio Rizika
Ligorine, kuriancie tyrimo duomenu rinkinius is 500 000 pazymejinu, susiduria su tikra atitikties problema. HIPAA reikalauja "labai mazos rizikos" standarto su identifikuotais duomenimis. Priemone, praleidzia puse visu saugomy identifikatoriaus, negali pasiekti to starto.
Tyrimo archyvai nera variai duomenu. Pazymejinai apima daug skyriu, laikotarpiu ir kartais kalbu. Priemone, veikianti su apmokejimo duomenimis, gali nepavykti su naratyviniu pazymejinais. Jautrus duomenis laisvo teksto formatu neturi lauko etiketes.
IRB patvirtinimas kelia papildomu reikalavimu. Institucijos turi parodyti naudota metoda, pasalintus identifikatoriaus tipus ir atliktu patikrinimu. Priemone, praleidzia puse visu irasu, negali isitenkinti tuos reikalavimus.
Ziurekite musu atitikties apzvalgos ir saugumo praktiku, kaip anonym.legal palaiko HIPAA darba.
Trijuu Sluoksniu Sprendimas
2025 m. apzvalga rado viena aiskia sablona. Priemones su maziausiomis praleidimo normomis naudojo tris aptikimo sluoksnius.
Pirmas sluoksnis - regex: Randa strukturuotus identifikatorius. SAI numerius, MRN, telefono numerius, sveikatos planu atpazinimo numerius. Patikimas fiksyto formato atveju.
Antras sluoksnis - NER: Naudoja transformeriu modelius. Randa vardus, datas ir jautrius duomenis naratyviame tekste. Veikia ten, kur regex negali.
Trecias sluoksnis - pasirinktines esybes: Tvarko objektui budingus formatus. Savitos MRN sablonai, personalo atpazinimo numeriai, objektu kodai. Joks standartinis modelis ju nedengia.
Grynos DKM priemones prasteja su trumpintom formom ir ne-anglisku tekstu. Grynu regex priemones praleidzia jautrius duomenis be lauko etiketes. Nei vienas pats nera pakankamas.
Tik trijuu sluoksniu dizainas apzvalga pasieke maziau nei 5% praleidimo normu. Tai yra standarta HIPAA Saugaus Uosto atitikciui.
Ziurekite musu vadova apie HIPAA Saugaus Uosto identifikavima tyrimams tolimesniems zingsniams.