<noframes id="fnbtv">

    <address id="fnbtv"><address id="fnbtv"></address></address>

    <sub id="fnbtv"><address id="fnbtv"><menuitem id="fnbtv"></menuitem></address></sub>

    <address id="fnbtv"></address>
    <listing id="fnbtv"><listing id="fnbtv"><menuitem id="fnbtv"></menuitem></listing></listing>

    <noframes id="fnbtv"><listing id="fnbtv"><menuitem id="fnbtv"></menuitem></listing>

    應用

    技術

    物聯網世界 >> 物聯網新聞 >> 物聯網熱點新聞
    企業注冊個人注冊登錄

    隱私保護:AI實現醫療保健臨床數據匿名化

    2022-09-05 09:06 至頂網軟件與服務頻道

    導讀:醫療保健無疑是受數據泄露影響最大的行業之一,每起數據泄露事件平均造成920萬美元損失。

    醫療保健無疑是受數據泄露影響最大的行業之一,每起數據泄露事件平均造成920萬美元損失。在此類違規案例當中,最常暴露在風險之下的信息類型正是敏感客戶數據。

    面對突如其來的新冠疫情,我們已經親眼見證創紀錄級別的數據泄露事件。IBM最近的一份報告發現,數據泄露的成本也在急劇攀升。

    醫療保健無疑是受數據泄露影響最大的行業之一,每起數據泄露事件平均造成920萬美元損失。在此類違規案例當中,最常暴露在風險之下的信息類型正是敏感客戶數據。

    制藥和醫療保健企業均需要在保護患者數據的前提下,按照嚴苛的指導要求組織運營。因此,任何違規行為都可能引發高昂代價。例如,在整個藥物發現階段,企業需要收集、處理和存儲個人身份信息(PII),而在試驗結束并提交臨床申請時,必須在所公布的結果中注意保護患者隱私。

    歐洲藥品管理局(EMA)0070號法規和加拿大衛生部出臺的《公開發布臨床信息》規定,均對數據匿名化提出了具體建議,希望盡量降低利用結果還原患者身份信息的風險。

    除了倡導數據隱私之外,這些法規還要求共享試驗數據,確保社區能夠以此為基礎開展工作。但這無疑讓企業陷入了兩難境地。

    所以,制藥企業到底如何在數據隱私與透明度之間求取平衡,同時又能及時、經濟且高效地發布研究結果?事實證明,AI技術能夠承擔起提交過程中超過97%的工作量,大大減輕企業的運營負擔。

    臨床研究結果(CSR)匿名化為何如此困難?

    在實施臨床提交匿名化的過程中,企業主要面臨三大核心挑戰:

    1.非結構化數據難于處理:臨床試驗數據當中,有很大一部分屬于非結構化數據。研究結果中包含大量文本數據、掃描圖片和表格,處理效率低下。研究報告動輒上千頁,從其中識別出敏感信息就如同大海撈針。而且,沒有任何標準化技術培訓解決方案能夠自動執行這類處理工作。

    2.手動過程既繁瑣又容易出錯:如今,制藥企業需要雇用數百名員工對臨床研究提交進行匿名處理。整個團隊需要經歷超過25個復雜步驟,典型的摘要文檔就可能需要長達45天的處理周期。而且在手動檢查幾千頁材料時,枯燥的過程往往極易引發錯誤。

    3.監管指南的開放性解釋:雖然法規中提出不少詳細建議,但細節仍然不夠完備。例如,加拿大衛生部的《公開發布臨床信息》規定就要求身份信息的還原風險應低于9%,卻并沒有詳細介紹具體的風險計算方法。

    下面,我們將從解決問題的角度,設想能夠處理這類匿名化需求的具體方案。

    利用增強分析識別人類語言中的敏感信息

    以下三大要素,有助于建立技術驅動型的匿名化解決方案:

    a)用于自然語言處理(NLP)的AI語言模型

    如今,AI已經能夠像藝術家那樣創作,也能像醫生那樣診斷。深度學習技術已經推動AI取得諸多進步,而AI語言模型正是其中一股中堅力量。作為專司處理人類語言的算法分支,AI語言模型特別擅長檢測命名實體,例如患者姓名、社保號碼和郵政編碼。

    不知不覺當中,這些強大的AI模型已經滲透到公共領域的各個角落,并受到公開文檔的規?;柧?。除了知名的維基百科之外,包含40000名患者脫敏數據的MIMIC-III v1.4數據庫也成為訓練AI模型的寶貴資源。當然,為了提高模型性能,還需要由領域專家根據內部臨床試驗報告,對模型開展后續重新訓練。

    b)通過人機回圈設計提高準確率

    加拿大衛生部提出的9%風險閾值標準,可以大致轉化為95%左右的模型準確度要求(一般用召回率或精確度來衡量)。AI算法能夠查看大量數據并運行多輪訓練周期來提高自身準確度。然而,單靠技術改進還不足以為臨床應用做好準備,這些模型還需要人的引導與支持。

    為了解決臨床試驗數據的主觀性并改善產出結果,分析解決方案在設計上要求與人類協同工作——這就是所謂增強智能。即將人類視為人機回圈中的一部分,他們不僅負責數據標記和模型訓練,同時要在解決方案生效后定期提供反饋。通過這種方式,模型的準確度和產出性能都將有所提升。

    c)以協同方式解決問題

    我們假設某項研究共涉及1000名患者,其中980名來自美國本土,其余20人來自南美洲。那么,是否需要對這20位患者的數據進行編輯(涂黑)或匿名化處理?是否有必要在同一國家或洲內選擇患者樣本?攻擊者可能會以哪些方式把這些匿名化信息同年齡、郵政編碼等數據結合起來,最終還原患者身份?

    很遺憾,這些問題并沒有標準答案。為了更清楚地解釋臨床提交指南,制藥商、臨床研究組織(CRO)、技術解決方案供應商和學術界的研究人員需要聯合起來、協同處理。

    AI驅動的匿名化方法

    有了以上幾條基本思路,接下來就是把它們拼湊成完整的解決方案流程。而整個匿名化方案中的各項技術,應當基于我們已經在工作中使用的實際方法。

    臨床研究報告中包含各種結構化數據(數字與身份實體,例如人口統計信息和地址條目),以及我們之前討論過的各種非結構化數據元素。必須妥善處理,才能防止惡意黑客將這些內容還原為敏感的命名實體。結構化數據相對易于處理,但AI算法還需要攻克非結構化數據這道難關。

    因此,首先使用光學字符識別(OCR)或計算機視覺等技術,將非結構化數據(通常為掃描圖像或PDF等格式)轉換為可讀形式。之后,將AI算法應用于文檔以檢測個人身份信息。為了提升算法性能,用戶可以分享對樣本結果的反饋,幫助系統了解該如何處理這些置信度較低的分析內容。

    AI驅動的匿名化方法

    在匿名化完成之后,還須評估相應的身份還原風險。這項工作通常需要參考人群背景,再結合來自其他類似試驗的數據來共同完成。風險評估會通過一組元素著重識別三大風險場景——檢察官、記者和營銷人員。這三群群體會從自身需求出發,嘗試對患者信息加以還原。

    在風險水平達到規定建議的9%之前,匿名化流程會持續引入更多業務規則和算法改進,嘗試以重復循環的方式增強效能。再通過與其他技術應用的集成并建立機器學習運營(ML Ops)流程,整個匿名化方案就可以被納入實際工作流當中。

    比算法更艱難的挑戰——數據質量

    對制藥企業來說,這樣的匿名化解決方案能夠將提交周期縮短達97%。更重要的是,這種半自動化工作流程既提高了效率,同時又保證有人類參與其中。但是,構建AI驅動型匿名化解決方案面臨的最大挑戰又是什么?

    其實與大多數數據科學實踐一樣,這項工作的最大阻礙并不是用于識別命名實體的AI算法,而是如何將研究報告轉換為可供AI處理的高質量數據。對于格式不同、樣式和結構各異的文檔,相應的內容攝取管道經常會無所適從。

    因此,AI匿名化解決方案需要不斷微調以適應新的文檔編碼格式,或者準確檢測出圖片/表格掃描件中的起始和結束位置。很明顯,這方面工作才是AI匿名化當中最耗費時間和精力的領域。

    臨床研究的匿名化新挑戰

    隨著技術的快速進步,臨床研究的匿名化難度會不會持續降低、更加高效?雖然AI驅動型解決方案確實令人眼前一亮,但后續還將有新的挑戰需要關注。

    首先,通過社交媒體、設備使用情況和線上跟蹤等方式收集到的消費者數據,正大大提升身份還原的風險。攻擊者可以將這些公開信息同臨床研究數據相結合,準確識別出患者的身份。更令人擔憂的是,惡意黑客在AI成果的運用上非常積極,甚至有可能搶在制藥企業的行動之前。

    最后,法規也在持續演變,著力適應特定國家/地區的實踐態勢。也許很快就會有國家公布臨床提交匿名化的具體法規,這必將增加企業保持合規的復雜性和成本負擔。但所謂前途是光明的、道路是曲折的,AI技術的發展成熟至少為整個行業帶來了攻克難題的希望曙光。


    晚上看到父母做剧烈运动
    <noframes id="fnbtv">

      <address id="fnbtv"><address id="fnbtv"></address></address>

      <sub id="fnbtv"><address id="fnbtv"><menuitem id="fnbtv"></menuitem></address></sub>

      <address id="fnbtv"></address>
      <listing id="fnbtv"><listing id="fnbtv"><menuitem id="fnbtv"></menuitem></listing></listing>

      <noframes id="fnbtv"><listing id="fnbtv"><menuitem id="fnbtv"></menuitem></listing>