L'analisi dei dati strutturati può aiutare a migliorare la diagnosi e l'assistenza ai pazienti. Tuttavia, l'analisi dei dati non strutturati può alimentare scoperte e progressi medici rivoluzionari.
Questo è il succo dell'argomento che discuteremo oggi. È molto interessante osservare che così tanti progressi radicali nello spazio della tecnologia sanitaria sono avvenuti con solo il 10-20% di dati sanitari utilizzabili.
Le statistiche rivelano che oltre il 90% dei dati in questo spettro non è strutturato, il che si traduce in dati meno utilizzabili e più difficili da comprendere, interpretare e applicare. Dai dati analogici come la prescrizione di un medico ai dati digitali sotto forma di immagini mediche e dati audiovisivi, i dati non strutturati sono di tipi diversi.
Tali enormi blocchi di dati non strutturati ospitano intuizioni incredibili che possono accelerare i progressi dell'assistenza sanitaria di decenni. Che si tratti di aiutare la scoperta di farmaci per malattie autoimmuni critiche che consumano la vita o di dati che possono assistere le compagnie di assicurazione sanitaria nelle valutazioni del rischio, i dati non strutturati possono aprire la strada a possibilità sconosciute.
Quando si perseguono tali obiettivi, l'interpretabilità e l'interoperabilità dei dati sanitari diventano cruciali. Con linee guida rigorose e l'applicazione di normative come il GDPR e l'HIPAA, la de-identificazione dei dati sanitari diventa inevitabile.
Abbiamo già pubblicato un articolo approfondito per fare chiarezza sui dati sanitari strutturati e non strutturati . Esiste anche un articolo dedicato (e altrettanto approfondito) alla de-identificazione dei dati sanitari . Vi invitiamo a leggerli per avere un quadro completo, poiché dedicheremo questo articolo in particolare alla de-identificazione dei dati non strutturati.
Sfide nella de-identificazione dei dati non strutturati
Come suggerisce il nome, i dati non strutturati non sono organizzati. Sono dispersi in termini di formati, tipi di file, dimensioni, contesto e altro ancora. Il semplice fatto che i dati non strutturati esistano sotto forma di audio, testo, immagini mediche, dati analogici e altro ancora rende ancora più difficile la comprensione degli identificatori di informazioni personali (PII), elemento essenziale per la de-identificazione dei dati non strutturati.
Per darvi un'idea delle sfide fondamentali, ecco un rapido elenco:

- Comprensione contestuale – dove è difficile per un stakeholder dell'IA comprendere il contesto specifico dietro una particolare porzione o aspetto di dati non strutturati. Ad esempio, capire se un nome è il nome di un'azienda, il nome di una persona o il nome di un prodotto può portare a un dilemma se debba essere de-identificato.
- Dati non testuali – dove l’identificazione di segnali uditivi o visivi per nomi o PII può essere un compito arduo, in quanto una parte interessata potrebbe dover guardare ore e ore di filmati o registrazioni nel tentativo di de-identificare aspetti critici.
- Ambiguità – questo è particolarmente vero nel contesto di dati analogici come una prescrizione medica o una registrazione ospedaliera in un registro. Dalla scrittura a mano alle limitazioni di espressione nel linguaggio naturale, potrebbe rendere la de-identificazione dei dati un compito complesso.
Best practice per la de-identificazione dei dati non strutturati
Il processo di rimozione delle informazioni personali identificabili (PII) dai dati non strutturati è piuttosto diverso dalla de-identificazione dei dati strutturati , ma non impossibile. Attraverso un approccio sistematico e contestuale, è possibile sfruttare appieno il potenziale dei dati non strutturati. Analizziamo i diversi modi in cui ciò può essere realizzato.

Oscuramento delle immagini: questa operazione riguarda i dati di diagnostica per immagini e prevede la rimozione degli identificativi del paziente e l'oscuramento di riferimenti e parti anatomiche dalle immagini. Questi vengono sostituiti da caratteri speciali per preservare la funzionalità diagnostica e l'utilità dei dati di imaging.
Riconoscimento di modelli: alcune delle informazioni personali più comuni, come nomi, recapiti e indirizzi, possono essere rilevate e rimosse grazie all'analisi di modelli predefiniti.
Privacy differenziale o perturbazione dei dati: comporta l'inclusione di rumore controllato per nascondere dati o attributi che possono essere ricondotti a un individuo. Questo metodo ideale non solo garantisce la de-identificazione dei dati, ma anche la conservazione delle proprietà statistiche del set di dati per le analisi.
Anonimizzazione dei dati: questo è uno dei metodi più affidabili ed efficaci per rimuovere le informazioni personali identificabili (PII) dai dati non strutturati. Può essere implementato in due modi:
- Apprendimento supervisionato – dove un modello viene addestrato per classificare testo o dati come PII o non PII
- Apprendimento senza supervisione – dove un modello viene addestrato ad apprendere autonomamente a rilevare schemi nell’identificazione delle PII
Questo metodo garantisce la salvaguardia della privacy del paziente , mantenendo al contempo l'intervento umano per gli aspetti più ripetitivi del compito. Le parti interessate e i fornitori di dati sanitari che utilizzano tecniche di apprendimento automatico per anonimizzare i dati non strutturati possono semplicemente avvalersi di un processo di controllo qualità gestito da personale umano per garantire equità, pertinenza e accuratezza dei risultati.
Mascheramento dei dati: il mascheramento dei dati è il termine tecnico utilizzato per de-identificare i dati sanitari, in cui gli identificatori specifici vengono resi generici o vaghi attraverso tecniche di nicchia come:
- Tokenizzazione – che comporta la sostituzione di PII con caratteri o token
- Generalizzazione – sostituendo i valori PII specifici con valori generici/vaghi
- Mescolando – mescolando le PII per renderle ambigue
Tuttavia, questo metodo presenta una limitazione: con un modello o un approccio sofisticato, i dati possono essere resi nuovamente identificabili.
Esternalizzazione ai player del mercato
L'unico approccio corretto per garantire che il processo di anonimizzazione dei dati non strutturati sia a prova di errore, infallibile e conforme alle linee guida HIPAA è quello di affidare le attività a un fornitore di servizi affidabile come Shaip . Grazie a modelli all'avanguardia e rigorosi protocolli di controllo qualità, garantiamo che la supervisione umana in materia di privacy dei dati sia ridotta al minimo in ogni fase.
Essendo un'azienda dominante sul mercato da anni, comprendiamo la criticità dei tuoi progetti. Quindi, contattaci oggi stesso per ottimizzare le tue ambizioni in ambito sanitario con i dati sanitari de-identificati da Shaip.