ปัญหาความเป็นส่วนตัวของบันทึกทางคลินิก AI
อัปเดตสำหรับปี 2026
โรงพยาบาลและคลินิกใช้ AI เพื่อเขียนบันทึกทางคลินิก AI ถอดความเสียงและร่างข้อความ แต่สิ่งนี้สร้างช่องโหว่ HIPAA ที่การตรวจสอบด้วยตนเองไม่สามารถปิดได้
บันทึกที่สร้างโดย AI เปิดเผยบันทึกผู้ป่วยในสามวิธี:
- การปนเปื้อนข้าม: AI อาจดึงข้อมูลจากผู้ป่วยหนึ่งเข้าไปในบันทึกของผู้ป่วยอีกคน การศึกษา AI ทางการแพทย์แสดงให้เห็นความเสี่ยงนี้
- การรั่วของบริบท: ข้อมูลผู้ป่วยไปอยู่ในช่องที่ผิด — บันทึกการเรียกเก็บเงิน, ช่องการวิจัย หรือแบบฟอร์มส่งต่อ AI กรอกช่องตามบริบท ไม่ใช่ตามวัตถุประสงค์ของช่อง
- การใช้ข้อมูลของผู้ให้บริการ: ผู้ให้บริการ AI หลายรายส่งบันทึกกลับเพื่อตรวจสอบโมเดลหากคุณไม่ opt out สิ่งนี้ส่งข้อมูลผู้ป่วยไปยังเซิร์ฟเวอร์บุคคลที่สาม เซิร์ฟเวอร์เหล่านั้นอาจไม่มี BAA ที่ลงนาม
HHS เผยแพร่กฎที่เสนอในปี 2025 ระบุว่าองค์กรที่ใช้เครื่องมือ AI ต้องรวมเครื่องมือเหล่านั้นในการวิเคราะห์ความเสี่ยง สิ่งนี้สร้างกฎอย่างเป็นทางการสำหรับงานทางคลินิกที่ใช้ AI
กฎการวิเคราะห์ความเสี่ยง AI ของ HHS ปี 2025
HHS เสนอกฎใหม่สำหรับองค์กรที่ครอบคลุมซึ่งใช้ AI แต่ละระบบ AI ที่สัมผัสบันทึกผู้ป่วยต้องปรากฏในการวิเคราะห์ความเสี่ยงขององค์กร
กฎมีสามส่วน:
การป้องกันทางเทคนิค: ตรวจสอบแต่ละเครื่องมือ AI ถาม:
- มันส่งบันทึกผู้ป่วยออกจากระบบของคุณหรือไม่?
- มันเก็บบันทึกผู้ป่วยบนเซิร์ฟเวอร์หลังการใช้งานหรือไม่?
- มันเขียนข้อมูลผู้ป่วยลงในบันทึกที่ผิดหรือไม่?
การอบรมพนักงาน: การอบรมต้องครอบคลุมความเสี่ยงเฉพาะของ AI ซึ่งรวมถึงกรณีการผสมบันทึก
การควบคุมทางกายภาพ: เวิร์กสเตชันที่รัน AI tools ต้องเป็นส่วนหนึ่งของการควบคุมการเข้าถึงทางกายภาพ
เครื่องมือทางคลินิก AI รวมถึงบริการแปลงเสียงเป็นข้อความ, เครื่องมือร่างบันทึก AI และเครื่องมือ coding
เหตุใดการตรวจจับก่อนบันทึกจึงได้ผล
การควบคุมทางเทคนิคที่ดีที่สุดคือการตรวจจับ PHI ก่อนที่บันทึกจะบันทึกลง EHR
หากไม่มีการตรวจจับก่อนบันทึก:
- AI เขียนร่าง
- พนักงานตรวจสอบด้วยตนเองภายใต้แรงกดดันด้านเวลา
- บันทึกบันทึกลง EHR
- ข้อผิดพลาด PHI อยู่ในบันทึกถาวรแล้ว
- การแก้ไขต้องการรายการ audit และการตรวจสอบการละเมิด
ด้วยการตรวจจับก่อนบันทึก:
- AI เขียนร่าง
- การสแกน PHI ทำงานก่อนที่บันทึกจะบันทึก
- รายการที่ถูกตั้งค่าสถานะไปยังพนักงานเพื่อตรวจสอบ
- พนักงานแก้ไขข้อผิดพลาดก่อนบันทึก
- บันทึก EHR สะอาดตั้งแต่ต้น
การตรวจจับก่อนบันทึกตรงตาม HIPAA Security Rule 164.312(b) กฎนั้นกำหนดให้ระบบที่บันทึกและตรวจสอบกิจกรรม การสแกนก่อนบันทึกสร้างบันทึก audit สำหรับทุกบันทึกที่ตรวจสอบ
18 หมวดหมู่ PHI ในบันทึก AI
HIPAA Safe Harbor กำหนดให้ลบ PHI 18 หมวดหมู่ (45 CFR 164.514(b)) บันทึก AI สามารถแสดง 18 หมวดหมู่ในลักษณะที่คุณอาจไม่คาดคิด:
- ชื่อ — ผู้ป่วยระบุชื่อสมาชิกในครอบครัวในประวัติอาการ
- ที่อยู่ — ที่อยู่บ้านในประวัติสังคม
- วันที่ — วันเกิด, วันเข้ารับบริการ, วันที่ทำหัตถการ
- หมายเลขโทรศัพท์และแฟกซ์ — ข้อมูลติดต่อในบันทึกส่งต่อ
- ที่อยู่อีเมล — รายละเอียดติดต่อที่ผู้ป่วยให้มา
- SSN — บริบทประกัน
- หมายเลขบันทึกทางการแพทย์ — อ้างอิงข้ามในสรุป AI
- หมายเลขแผนสุขภาพ — บริบทประกัน
- หมายเลขบัญชี — บริบทการเรียกเก็บเงิน
- หมายเลขใบอนุญาต — ข้อมูลใบอนุญาตผู้ให้บริการในการส่งต่อ
- Vehicle ID — บริบทอุบัติเหตุในบันทึกการบาดเจ็บ
- Device ID — บันทึกการฝังอุปกรณ์
- URL — ลิงก์ที่ผู้ป่วยส่งมาสำหรับบันทึกสุขภาพ
- IP addresses — ล็อก remote session
- Biometric IDs — ข้อมูลลายนิ้วมือหรือเสียง
- ภาพถ่าย — สื่อที่เชื่อมโยงในระบบ AI
- ID ที่ไม่ซ้ำกันอื่นๆ — ตัวระบุเฉพาะสถานพยาบาล
โมเดล AI สามารถสร้างสิ่งเหล่านี้จากบริบท การตรวจจับต้องครอบคลุมทั้ง 18 หมวดหมู่ — ไม่ใช่แค่ SSN และวันที่
วิธีเพิ่มการตรวจจับก่อนบันทึก
การตรวจสอบ PHI ก่อนบันทึกมีห้าขั้นตอน:
- AI เขียนร่างบันทึก
- ข้อความบันทึกไปที่ detection API ก่อนที่พนักงานจะเห็น
- รายการที่ถูกตั้งค่าสถานะแสดงในมุมมองร่าง
- พนักงานตรวจสอบ flag ระหว่างการตรวจสอบบันทึกปกติ
- พนักงานบันทึกบันทึก — โดยไม่มีรายการที่ถูกตั้งค่าสถานะ หรือพร้อมเหตุผลที่บันทึกไว้
สิ่งที่ระบบต้องการ:
- ความเร็ว: ต่ำกว่า 200ms เพื่อไม่ให้ชะลอ workflow
- การครอบคลุม: HIPAA ทั้ง 18 หมวดหมู่บวกกับรูปแบบท้องถิ่นเช่น MRN format ของคุณ
- การให้คะแนน: รายการที่เหนือ 85% จะถูกตั้งค่าสถานะอัตโนมัติ; 50–85% ต้องการการตรวจสอบของพนักงาน; ต่ำกว่า 50% แสดงเพื่ออ้างอิงเท่านั้น
- ล็อก audit: บันทึกแต่ละรายการที่ถูกตั้งค่าสถานะ, คะแนน และการตัดสินใจของผู้ตรวจสอบ
ล็อก audit ให้หลักฐานโดยตรงสำหรับการวิเคราะห์ความเสี่ยงของ HHS แสดงว่าคุณมีการควบคุมสำหรับ PHI ที่สร้างโดย AI
กรณีการใช้งาน: การตรวจจับก่อนบันทึกที่ศูนย์การแพทย์
ศูนย์การแพทย์เชิงวิชาการแห่งหนึ่งใช้ระบบ AI ambient สำหรับบันทึกแพทย์ การตรวจสอบ 90 วันพบสองกรณีการผสม บันทึกหนึ่งมีวันเกิดของผู้ป่วยอีกคน อีกบันทึกหนึ่งมีชื่อและ SSN ของสมาชิกในครอบครัวจากประวัติสังคม
หลังจากเพิ่มการตรวจจับ PHI ก่อนบันทึก:
- ร่าง AI ทั้งหมดถูกสแกนก่อนการตรวจสอบของแพทย์
- เวลาสแกนเฉลี่ย: 47ms — ไม่รู้สึกใน workflow
- ใน 90 วัน: 1,247 รายการถูกตั้งค่าสถานะใน 8,400 บันทึก
- พนักงานตรวจสอบและแก้ไข 94% ของรายการที่ถูกตั้งค่าสถานะ
- ไม่มีเหตุการณ์การผสมบันทึกหลังการเปิดตัว
ระบบผลิตรายงานรายเดือน แสดงอัตราการตรวจจับ, อัตราการตรวจสอบ และประเภท entity รายงานนี้ทำหน้าที่เป็นหลักฐานการควบคุม audit ภายใต้ HIPAA Security Rule 164.312(b)
ทีมที่สร้าง workflow นี้สามารถใช้ PHI detection API ของ anonym.legal ครอบคลุม HIPAA ทั้ง 18 หมวดหมู่ที่ latency ต่ำกว่า 200ms ดู คู่มือการรวม PHI detection สำหรับขั้นตอนการตั้งค่า สำหรับบริบทครบถ้วน เยี่ยมชม กรณีการใช้งานด้านสุขภาพ