Tatizo la Kiwango cha Kukosa 50%
Utafiti wa 2025 (arXiv:2509.14464) ulijaribu zana za LLM kwenye rekodi za kliniki. Matokeo yalikuwa mabaya. Zana hizi ziliskosa zaidi ya 50% ya PHI ya kliniki katika hati za lugha nyingi. Sababu ni rahisi. LLMs zimejengwa kwa matokeo ya maandishi. Hazijajengwa kwa kazi ya ugunduzi wa kumbukumbu kubwa ambayo HIPAA inahitaji.
HIPAA Safe Harbor inaorodhesha aina 18 za vitambulisho vinavyolindwa. Majina, tarehe, nambari za simu, SSNs, MRNs, vitambulisho vya mpango wa afya, vitambulisho vya kifaa, na anwani za IP. Kila moja inahitaji mantiki yake ya ugunduzi.
Maelezo ya kliniki yanafanya hili kuwa gumu zaidi. Chukua mfano huu: "Pt. John D., DOB 4/12/67, MRN 1234567, admitted 03/15/24, Dr. Smith ordered ECG." Sentensi moja. Vitambulisho vitano vinavyolindwa. Vingi vinatumia maumbo ya kufupishua. Mfano uliojengwa kwa maana ya kliniki mara nyingi unashindwa kazi ya ugunduzi.
LLMs Zinakosa Nini na Kwa Nini
Zana za LLM zinashindwa kwenye rekodi za kliniki kwa njia maalum.
Vitambulisho vya maumbo mafupi: Maelezo ya kliniki yanatumia mkato. DOB, MRN, na Pt. ni maumbo ya kawaida. Mfano ulioratibishwa kwa maana ya kliniki unaweza kutoweza kuandika alama "Pt. John D." kama jina. Uchimbaji wa data nyeti unahitaji lengo tofauti.
Tarehe zinazolingana na muktadha: Si tarehe zote zinawasilisha hatari sawa. "Umri wa miaka 67" ni alama laini. "DOB 4/12/67" ni kitambulisho cha moja kwa moja kinachohifadhiwa. "03/15/24" kama tarehe ya kulazwa pia inalindwa. Kulinganisha na mfumo peke yake hakutoshi.
Miundo ya nje ya Marekani: Cyberhaven (Q4 2025) iligundua kuwa 34.8% ya maingizo yote ya ChatGPT yana data nyeti, ikiwemo PII ya lugha nyingi. Katika huduma za afya, hii inamaanisha vitambulisho vya rekodi nje ya Marekani, miundo ya tarehe ya kanda, na aina za kitambulisho cha afya cha ndani. Zana zilizofunzwa nchini Marekani zinakosa hizi kwa uthabiti.
Vitambulisho vya hospitali maalum: Hospitali zinatumia miundo yao ya MRN, vitambulisho vya wafanyakazi, na misimbo ya tovuti. Hizi hazipo katika data ya mafunzo ya kawaida ya NER. Zana ambazo hazina uungaji mkono wa vitengo maalum hazitazipata.
Hatari ya Dataset ya Utafiti
Hospitali inayojenga dataset ya utafiti kutoka maelezo 500,000 inakabiliwa na tatizo halisi la uzingatiaji. HIPAA inahitaji kiwango cha "hatari ndogo sana" kwenye data iliyotambuliwa. Zana inayokosa nusu ya vitambulisho vyote vinavyolindwa haiwezi kukidhi kiwango hicho.
Makumbusho ya utafiti si data safi. Maelezo yanajumuisha idara nyingi, vipindi vya wakati, na wakati mwingine lugha. Zana inayofanya kazi kwenye data ya bili inaweza kushindwa kwenye maelezo ya masimulizi. Data nyeti katika maandishi huru haina lebo ya sehemu.
Uidhinishaji wa IRB unaongeza madai zaidi. Taasisi lazima zionyeshe njia iliyotumika, aina za vitambulisho vilivyoondolewa, na ukaguzi uliofanywa. Zana inayokosa nusu ya rekodi zote haiwezi kukidhi madai hayo.
Angalia muhtasari wetu wa uzingatiaji na mazoea ya usalama jinsi anonym.legal inavyounga mkono kazi ya HIPAA.
Suluhisho la Tabaka Tatu
Utafiti wa 2025 uligundua mfumo mmoja wazi. Zana zilizo na viwango vya chini zaidi vya kukosa zilitumia tabaka tatu za ugunduzi.
Tabaka la kwanza -- regex: Inapata vitambulisho vilivyoundwa. SSNs, MRNs, nambari za simu, vitambulisho vya mpango wa afya. Inategemewa kwenye miundo ya kudumu.
Tabaka la pili -- NER: Inatumia mifano ya transformer. Inapata majina, tarehe, na data nyeti katika maandishi ya masimulizi. Inafanya kazi ambapo regex haiwezi.
Tabaka la tatu -- vitengo maalum: Inashughulikia maumbo maalum ya tovuti. Mifumo ya MRN ya kibinafsi, vitambulisho vya wafanyakazi, misimbo ya kituo. Hakuna mfano wa kawaida unaoshughulikia hizi.
Zana za ML safi zinapungua kwenye maumbo mafupi na maandishi yasiyo ya Kiingereza. Zana za regex safi zinakosa data nyeti ambazo hazina lebo ya sehemu. Hakuna inayotosha peke yake.
Ni usanifu wa tabaka tatu tu uliofika viwango vya chini ya 5% vya kukosa katika utafiti. Hicho ndicho kiwango cha uzingatiaji wa HIPAA Safe Harbor.
Angalia mwongozo wetu kuhusu utambulifu wa HIPAA Safe Harbor kwa utafiti wa huduma za afya kwa hatua za mwisho.