Penjanaan Corak MRN AI HIPAA: Menggunakan LLM untuk...

Penjanaan Corak MRN AI HIPAA: Menggunakan LLM untuk Mengenal Pasti Format Rekod Pesakit

Setiap sistem penjagaan kesihatan mempunyai format MRN yang unik. Apabila mengintegrasikan penjagaan kesihatan baru, tim anda mesti menentukan corak pengesanan. Kaedah tradisional:

1. Kaji dokumen sampel dari hospital
2. Tuliskan corak regex dengan tangan
3. Ujian dan selaraskan

Proses ini memakan waktu 2-4 minggu untuk setiap hospital baru.

LLM dapat mengotomatisasi: Hantar dokumen sampel ke Claude atau ChatGPT, minta model untuk mencirikan corak MRN, kemudian terbitkan corak ke Presidio.

Aliran Penjanaan Corak MRN

Langkah 1: Ekstrak Sampel Rekod Pesakit

documents = extract_sample_records(
  hospital="Cleveland Clinic",
  sample_size=50,
  pii_types=["MRN", "SSN", "PHONE"]
)

Langkah 2: Hantar ke LLM dengan Prompt Struktur

prompt = f"""
Analisis 50 sampel rekod pesakit dari Cleveland Clinic. Kenal pasti:
1. Format MRN (contoh: 7-digit, 8-digit + awalan)
2. Perkataan kunci konteks (contohnya "MRN", "Rekod Perubatan")
3. Kehadiran jeda atau pemisah (tanda hubung, ruang, backtick)
4. Contoh nyata MRN dari sampel

Format respons sebagai JSON:
{{
  "mrn_format": "7-digit",
  "pattern_examples": ["1234567", "2345678"],
  "context_words": ["MRN", "Medical Record"],
  "separators": [" ", "-"],
  "confidence_score": 0.95,
  "regex": "..."
}}
"""

response = claude.messages.create(
  model="claude-opus",
  messages=[{"role": "user", "content": prompt}]
)

pattern_config = json.loads(response.content[0].text)

Langkah 3: Terjemahkan ke Presidio PatternRecognizer

def create_presidio_recognizer_from_llm(pattern_config):
  return PatternRecognizer(
    entity_type=f"MRN_{pattern_config['hospital'].upper()}",
    patterns=[
      Pattern(
        name=f"mrn-{pattern_config['mrn_format']}",
        regex=pattern_config['regex'],
        score=pattern_config['confidence_score']
      )
    ],
    context=PatternRecognitionContext(
      context_words=pattern_config['context_words'],
      score_increment=0.15
    )
  )

Langkah 4: Daftar dengan Presidio

recognizer = create_presidio_recognizer_from_llm(pattern_config)
analyzer.registry.add_recognizer(recognizer)

Langkah 5: Ujian dengan Sampel Baru

test_results = analyzer.analyze(
  text="Pesakit Cleveland Clinic MRN 5431289 dirawat pada 2024-01-15",
  language="en",
  entities=["MRN_CLEVELAND_CLINIC"]
)

if test_results[0].score > 0.8:
  print("✓ Corak berkualiti tinggi")
else:
  print("✗ Corak memerlukan penalaan")

Kesan Masa HIPAA

Dengan pendekatan AI ini:

• Manual: 2-4 minggu setiap hospital
• AI-dibantu: 2-4 jam setiap hospital
• Skala untuk 200+ sistem penjagaan kesihatan: Otomatisasi penuh

Pertimbangan Keamanan

Apabila menghantar sampel rekod pesakit ke LLM:

1. Anonimkan sampel lebih dulu: Buang SSN, nama, maklumat pribadi lain
2. Gunakan API private: Jangan gunakan ChatGPT bersama; gunakan API Anthropic di sebalik VPN perusahaan
3. Tidak menyimpan sampel: Jangan menyimpan sampel yang dihantar dalam log pelayanan

Kesimpulan: LLM boleh menjana corak Presidio otomatis dari sampel rekod. Pendekatan ini mengurangkan masa onboarding hospital dari berminggu-minggu kepada jam.