Analyse af strukturerede data kan hjælpe med bedre diagnose og patientbehandling. Men at analysere ustrukturerede data kan give næring til revolutionerende medicinske gennembrud og opdagelser.
Dette er kernen i det emne, vi vil diskutere i dag. Det er meget interessant at observere, at så mange radikale fremskridt inden for sundhedsteknologi er sket med kun 10-20% af brugbare sundhedsdata.
Statistik viser, at over 90 % af dataene i dette spektrum er ustrukturerede, hvilket oversættes til data, der er mindre brugbare og sværere at forstå, fortolke og anvende. Fra analoge data såsom en lægeordination til digitale data i form af medicinsk billeddannelse og audiovisuelle data er ustrukturerede data af forskellige typer.
Sådanne massive bidder af ustrukturerede data er hjemsted for utrolige indsigter, der kan fremskynde sundhedsvæsenets fremskridt i årtier. Uanset om det hjælper med at opdage lægemidler til kritiske livskrævende autoimmune sygdomme til data, der kan hjælpe sundhedsforsikringsselskaber med risikovurderinger, kan ustrukturerede data bane vejen for ukendte muligheder.
Når sådanne ambitioner er på plads, bliver fortolkning og interoperabilitet af sundhedsdata afgørende. Med strenge retningslinjer og håndhævelse af lovgivningsmæssig overholdelse såsom GDPR og HIPAA på plads, er det, der bliver uundgåeligt afidentifikation af sundhedsdata.
Vi har allerede dækket en omfattende artikel om afmystificering strukturerede sundhedsdata og ustrukturerede sundhedsdata. Der er en dedikeret (læs omfattende) artikel om afidentifikation af sundhedsdata ligeså. Vi opfordrer dig til at læse dem for holistisk information, da vi vil have denne artikel til et særligt stykke om ustruktureret data afidentifikation.
Udfordringer ved at afidentificere ustrukturerede data
Som navnet antyder, er ustrukturerede data ikke organiseret. Det er spredt med hensyn til formater, filtyper, størrelser, kontekst og mere. Alene den kendsgerning, at ustrukturerede data findes i form af lyd, tekst, medicinsk billedbehandling, analoge indtastninger og mere gør det endnu mere udfordrende at forstå Personal Information Identifiers (PII), hvilket er vigtigt i ustruktureret data afidentifikation.
For at give dig et indblik i de grundlæggende udfordringer, er her en hurtig liste:
- Kontekstuel forståelse – hvor det er svært for en AI-interessenter at forstå den specifikke kontekst bag en bestemt del eller aspekt af ustrukturerede data. For eksempel kan forståelsen af, om et navn er et firmanavn, navnet på en person eller et produktnavn, skabe et dilemma om, hvorvidt det skal afidentificeres.
- Ikke-tekstuelle data – hvor identifikation af auditive eller visuelle signaler til navne eller PII'er kan være en skræmmende opgave, da en interessent måske skal sidde igennem timevis med optagelser eller optagelser for at forsøge at afidentificere kritiske aspekter.
- tvetydigheden – dette gælder specifikt i forbindelse med analoge data som f.eks. en lægeordination eller en hospitalsoptagelse i et register. Fra håndskrift til begrænsninger af udtryk i naturligt sprog kan det gøre afidentifikation af data til en kompleks opgave.
Best Practices for afidentifikation af ustrukturerede data
Processen med at fjerne PII'er fra ustrukturerede data er helt anderledes end struktureret dataafidentifikation men ikke umuligt. Gennem en systematisk og kontekstuel tilgang kan potentialet i ustrukturerede data uden problemer udnyttes. Lad os se på de forskellige måder, dette kan opnås på.
Billedredigering: Dette er med hensyn til medicinsk billeddannelsesdata og involverer fjernelse af patientidentifikatorer og sløring af anatomiske referencer og dele fra billeder. Disse erstattes af specialtegn for stadig at bevare den diagnostiske funktionalitet og anvendeligheden af billeddata.
Mønstertilpasning: Nogle af de mest almindelige PII'er, såsom navne, kontaktoplysninger og adresser, kan detekteres og fjernes ved at bruge visdommen til at studere foruddefinerede mønstre.
Differentiel privatliv eller dataforstyrrelse: Dette involverer inkludering af kontrolleret støj for at skjule data eller attributter, der kan spores tilbage til en person. Denne ideelle metode sikrer ikke kun dataafidentifikation, men også bibeholdelse af datasættets statistiske egenskaber til analyser.
Afidentifikation af data: Dette er en af de mest pålidelige og effektive måder at fjerne PII'er fra ustrukturerede data. Dette kan implementeres på en af to måder:
- Overvåget læring – hvor en model er trænet til at klassificere tekst eller data som PII eller ikke-PII
- Uovervåget læring – hvor en model trænes til autonomt at lære at opdage mønstre i at identificere PII'er
Denne metode sikrer sikring af patientens privatliv mens man stadig beholder menneskelig indgriben til de mest overflødige aspekter af opgaven. Interessenter og sundhedsdataudbydere, der implementerer ML-teknikker til at afidentificere ustrukturerede data, kan simpelthen have en menneskeaktiveret kvalitetssikringsproces for at sikre retfærdighed, relevans og nøjagtighed af resultater.
Datamaskering: Datamaskering er det digitale ordspil til at afidentificere sundhedsdata, hvor specifikke identifikatorer gøres generiske eller vage gennem nicheteknikker som:
- Tokenisering – involverer udskiftning af PII'er med tegn eller tokens
- Generalisering - ved at erstatte specifikke PII-værdier med generiske/vage
- Blander – ved at blande PII'er for at gøre dem tvetydige
Denne metode har dog en begrænsning, at med en sofistikeret model eller tilgang kan data gøres genidentificerbare
Outsourcing til markedsaktører
Den eneste rigtige tilgang til at sikre processen af ustruktureret data afidentifikation er lufttæt, idiotsikker og overholder HIPAA-retningslinjerne, er det at outsource opgaverne til en pålidelig serviceudbyder som f.eks. Saip. Med banebrydende modeller og stive kvalitetssikringsprotokoller sikrer vi menneskelig tilsyn med databeskyttelse afbødes til enhver tid.
Efter at have været en markedsdominerende virksomhed i årevis, forstår vi vigtigheden af dine projekter. Så kontakt os i dag for at optimere dine sundhedsambitioner med sundhedsdata afidentificeret af Shaip.
