近年來,科學家們在開發(fā)人工智能算法方面取得了長足的進步,這些算法可以分析患者數據并提出診斷疾病或預測哪種治療對不同患者最有效的新方法。
這些算法的成功取決于對患者健康數據的訪問,這些數據已經被剝奪了可用于從數據集中識別個人的個人信息。然而,通過其他方式識別個人身份的可能性引起了隱私權倡導者的關注。
在一項新研究中,由麻省理工學院首席研究科學家 Leo Anthony Celi 領導的一組研究人員量化了這種患者重新識別的潛在風險,并發(fā)現目前相對于數據泄露的風險而言,它的風險極低。事實上,在 2016 年至 2021 年期間,也就是研究檢查的時期,沒有關于通過公開可用的健康數據重新識別患者的報告。
研究結果表明,患者隱私的潛在風險大大超過了患者的收益,他們受益于更好的診斷和治療,Celi 說。他希望在不久的將來,這些數據集將變得更廣泛可用,并包括更多樣化的患者群體。
“我們同意患者隱私存在一定風險,但也存在不共享數據的風險,”他說。“不共享數據是有害的,這需要考慮到等式中。”
Celi 也是哈佛 TH Chan 公共衛(wèi)生學院的講師和貝絲以色列女執(zhí)事醫(yī)療中心肺科、重癥監(jiān)護和睡眠醫(yī)學部的主治醫(yī)師,他是這項新研究的資深作者。貝絲以色列女執(zhí)事醫(yī)療中心的胸外科研究員 Kenneth Seastedt 是這篇論文的主要作者,該論文今天發(fā)表在PLOS Digital Health 上。
風險收益分析
由醫(yī)院和其他機構創(chuàng)建的大型健康記錄數據庫包含有關心臟病、癌癥、黃斑和 等疾病的大量信息,研究人員利用這些信息試圖發(fā)現診斷和治療疾病的新方法。
麻省理工學院計算生理學實驗室的 Celi 和其他人創(chuàng)建了幾個公開可用的數據庫,包括重癥監(jiān)護醫(yī)學信息集市 (MIMIC),他們最近使用這些數據庫開發(fā)了可以幫助醫(yī)生做出更好醫(yī)療決策的算法。許多其他研究小組也使用了這些數據,其他研究小組也在世界各國創(chuàng)建了類似的數據庫。
通常,當將患者數據輸入此類數據庫時,會刪除某些類型的識別信息,包括患者姓名、地址和電話號碼。這是為了防止患者被重新識別,并防止他們的醫(yī)療狀況信息被公開。
標簽:
免責聲明:本文由用戶上傳,與本網站立場無關。財經信息僅供讀者參考,并不構成投資建議。投資者據此操作,風險自擔。 如有侵權請聯系刪除!