Strukturoidun tiedon analysointi voi auttaa parantamaan diagnoosia ja potilaan hoitoa. Strukturoimattoman tiedon analysointi voi kuitenkin ruokkia vallankumouksellisia lääketieteellisiä läpimurtoja ja löytöjä.
Tämä on aiheen ydin, josta keskustelemme tänään. On erittäin mielenkiintoista havaita, että niin monia radikaaleja edistysaskeleita terveydenhuollon teknologian alalla on tapahtunut vain 10-20 prosentilla käytettävissä olevasta terveydenhuollon tiedosta.
Tilastot osoittavat, että yli 90 % tämän spektrin tiedoista on jäsentämätöntä, mikä tarkoittaa dataa, joka on vähemmän käyttökelpoista ja vaikeampaa ymmärtää, tulkita ja soveltaa. Strukturoimatonta dataa on erityyppisiä analogisista tiedoista, kuten lääkärin reseptistä, digitaaliseen tietoon lääketieteellisen kuvantamisen ja audiovisuaalisen datan muodossa.
Tällaiset massiiviset jäsentämättömät datapalat sisältävät uskomattomia oivalluksia, jotka voivat nopeuttaa terveydenhuollon kehitystä vuosikymmeniä. Olipa kyse kriittisten elämää vievien autoimmuunisairauksien lääkekehityksen avustamisesta tietoihin, jotka voivat auttaa sairausvakuutusyhtiöitä riskinarvioinneissa, jäsentämätön data voi tasoittaa tietä tuntemattomille mahdollisuuksille.
Kun tällaiset tavoitteet toteutuvat, terveydenhuollon tietojen tulkittavuus ja yhteentoimivuus ovat ratkaisevan tärkeitä. Tiukat ohjeet ja täytäntöönpano säännösten noudattaminen kuten GDPR ja HIPAA, mikä on väistämätöntä terveydenhuollon tietojen tunnistamisen poistaminen.
Olemme jo käsitelleet laajan artikkelin mystifikaation poistamisesta jäsennellyt terveydenhuoltotiedot ja jäsentämättömät terveydenhuollon tiedot. Siitä on oma (lue kattava) artikkeli terveydenhuollon tietojen tunnistamisen poistaminen samoin. Kehotamme sinua lukemaan ne saadaksesi kokonaisvaltaista tietoa, koska meillä on tämä artikkeli erityistä osaa varten strukturoimaton tietojen tunnistaminen.
Haasteet strukturoimattoman datan tunnistamisessa
Kuten nimestä voi päätellä, jäsentämätöntä dataa ei ole järjestetty. Se on hajallaan muotojen, tiedostotyyppien, koon, kontekstin ja muiden suhteen. Pelkästään se tosiasia, että jäsentämätöntä dataa on olemassa äänen, tekstin, lääketieteellisen kuvantamisen, analogisten merkintöjen ja muiden muodossa, tekee henkilötietotunnisteiden (PII) ymmärtämisestä entistä haastavampaa, mikä on olennaista strukturoimaton tietojen tunnistaminen.
Tässä on lyhyt luettelo, jotta saat käsityksen perushaasteista:
- Kontekstuaalinen ymmärrys – joissa tekoälyn sidosryhmän on vaikea ymmärtää strukturoimattoman datan tietyn osan tai osan taustalla olevaa erityistä kontekstia. Esimerkiksi sen ymmärtäminen, onko nimi yrityksen nimi, henkilön nimi vai tuotteen nimi, voi tuoda pulman sen suhteen, pitäisikö sen tunnistaa.
- Ei-tekstuaalinen data – Kuulevien tai visuaalisten vihjeiden tunnistaminen nimille tai henkilökohtaisille tunnisteille voi olla pelottava tehtävä, koska sidosryhmä voi joutua istumaan tuntikausia kestävän materiaalin tai nauhoituksen läpi yrittäessään poistaa kriittisiä näkökohtia.
- epäselvyys – Tämä koskee erityisesti analogisia tietoja, kuten lääkärin määräämiä reseptejä tai sairaalamerkintöjä rekisteriin. Käsinkirjoituksesta luonnollisen kielen ilmaisun rajoituksiin se voi tehdä tietojen tunnistamisen poistamisesta monimutkaisen tehtävän.
Strukturoimattomien tietojen tunnistamisen poistamisen parhaat käytännöt
Henkilökohtaisten tunnistetietojen poistaminen jäsentelemättömästä tiedosta on aivan erilainen kuin strukturoidun datan tunnistamisen poistaminen mutta ei mahdotonta. Järjestelmällisen ja kontekstuaalisen lähestymistavan avulla jäsentämättömän tiedon potentiaali voidaan hyödyntää saumattomasti. Katsotaanpa eri tapoja, joilla tämä voidaan saavuttaa.
Kuvan muokkaus: Tämä koskee lääketieteellisiä kuvantamistietoja, ja siihen kuuluu potilastunnisteiden poistaminen ja anatomisten viitteiden ja osien hämärtäminen kuvista. Nämä korvataan erikoismerkeillä, jotta kuvantamistietojen diagnostiikkatoiminto ja käyttökelpoisuus säilyvät.
Kuvioiden yhteensopivuus: Jotkut yleisimmistä henkilökohtaisista tunnisteista, kuten nimet, yhteystiedot ja osoitteet, voidaan havaita ja poistaa käyttämällä ennalta määritettyjä kaavoja.
Differentiaalinen yksityisyys tai tietojen häiriintyminen: Tämä tarkoittaa hallitun kohinan sisällyttämistä salaamaan dataa tai attribuutteja, jotka voidaan jäljittää yksilöön. Tämä ihanteellinen menetelmä ei ainoastaan takaa tietojen de-identifiointia, vaan myös aineiston tilastollisten ominaisuuksien säilymisen analyyseja varten.
Tietojen tunnistamisen poistaminen: Tämä on yksi luotettavimmista ja tehokkaimmista tavoista poistaa henkilökohtaisia tunnistetietoja jäsentämättömästä tiedosta. Tämä voidaan toteuttaa kahdella tavalla:
- Valvottu oppiminen – jossa malli on koulutettu luokittelemaan tekstiä tai dataa henkilökohtaisiksi tai ei-PII-tietoiksi
- Valvomaton oppiminen – jossa malli opetetaan itsenäisesti oppimaan havaitsemaan kuvioita henkilökohtaisten tunnistetietojen tunnistamisessa
Tämä menetelmä takaa turvallisuuden potilaan yksityisyyttä säilyttäen kuitenkin ihmisen väliintulon tehtävän tarpeettomissa osissa. Sidosryhmät ja terveydenhuollon tietojen tarjoajat, jotka käyttävät ML-tekniikoita strukturoimattomien tietojen tunnistamisen poistamiseen, voivat yksinkertaisesti käyttää ihmisen tukemaa laadunvarmistusprosessia tulosten oikeudenmukaisuuden, merkityksellisyyden ja tarkkuuden varmistamiseksi.
Tietojen peittäminen: Tietojen peittäminen on digitaalinen sanaleikki terveydenhuollon tietojen tunnistamiseksi, jolloin tietyt tunnisteet tehdään yleisiksi tai epämääräisiksi kapeilla tekniikoilla, kuten:
- Tokenointi - johon liittyy henkilökohtaisten tunnistetietojen korvaaminen hahmoilla tai tunnuksilla
- Yleistys - korvaamalla tietyt PII-arvot yleisillä/epämääräisillä arvoilla
- Sekoitus – sekoittamalla henkilökohtaisia tunnistetietoja tehdäkseen niistä moniselitteisiä
Tällä menetelmällä on kuitenkin rajoitus, että kehittyneellä mallilla tai lähestymistavalla tiedoista voidaan tehdä uudelleen tunnistettavissa
Ulkoistaminen markkinoiden toimijoille
Ainoa oikea tapa varmistaa prosessi strukturoimaton tietojen tunnistaminen on ilmatiivis, idioottivarma ja noudattaa HIPAA:n ohjeita on ulkoistaa tehtävät luotettavalle palveluntarjoajalle, kuten Shaip. Huippuluokan mallien ja tiukkojen laadunvarmistusprotokollien avulla varmistamme henkilövalvonta tietosuojassa lievennetään koko ajan.
Olemme olleet vuosia markkinoita hallitseva yritys, joten ymmärrämme projektiesi kriittisyyden. Ota siis meihin yhteyttä tänään optimoidaksesi terveydenhuoltotavoitteesi Shaipin tunnistamien terveydenhuoltotietojen avulla.
