Κέρδη:
- Κατανόηση γιατί τα γενετικά δεδομένα είναι μια ειδική κατηγορία προσωπικών δεδομένων και ο κίνδυνος επαναπροσδιορισμού
- Δυνατότητα εφαρμογής αρχών ανωνυμοποίησης, συναίνεσης και ελαχιστοποίησης δεδομένων πριν από την παροχή δεδομένων ασθενών για άνοιγμα εργαλείων τεχνητής νοημοσύνης
- Ικανότητα να ενστερνιστεί τα όρια της επεξεργασίας γενετικών δεδομένων και την επαγγελματική ηθική ευθύνη σε πλαίσια όπως το KVKK/GDPR
Τα γενετικά δεδομένα δεν είναι συνηθισμένα προσωπικά δεδομένα. Αλληλουχία DNA ενός ατόμου. Σας προσδιορίζει μοναδικά, δεν μπορεί να αλλάξει (μπορείτε να αλλάξετε τον κωδικό πρόσβασής σας αλλά όχι το γονιδίωμά σας), μπορεί να αποκαλύψει μελλοντικούς κινδύνους ασθένειας και αφορά όχι μόνο το άτομο αλλά όλα τα μέλη της οικογένειας που σχετίζονται με το αίμα. Επομένως, η χρήση της τεχνητής νοημοσύνης (AI) κατά την εργασία με γενετικά δεδομένα απαιτεί τα υψηλότερα πρότυπα εμπιστευτικότητας και δεοντολογίας. Σε αυτή την ενότητα, θα μάθετε γιατί τα γενετικά δεδομένα πρέπει να προστατεύονται ειδικά, τα οποία λάθη έχουν σοβαρές συνέπειες κατά τη χρήση εργαλείων τεχνητής νοημοσύνης και μια ασφαλή πειθαρχία εργασίας.
Κρίσιμη αρχή: Μην επικολλάτε ποτέ αναγνωρίσιμα γενετικά δεδομένα ασθενούς σε ένα δημοσίως διαθέσιμο εργαλείο τεχνητής νοημοσύνης. Πολλές υπηρεσίες τεχνητής νοημοσύνης γενικής χρήσης μπορούν να επεξεργαστούν τα δεδομένα που εισάγετε, να τα αποθηκεύσουν ή να τα χρησιμοποιήσουν για να βελτιώσουν το μοντέλο. Όταν ο συνδυασμός σπάνιας παραλλαγής ενός ασθενούς, το όνομα, ο αριθμός αναγνώρισης ή η ημερομηνία γέννησης εισάγεται σε ένα εργαλείο, μπορεί να συμβεί μη αναστρέψιμη παραβίαση του απορρήτου.
Πέντε χαρακτηριστικά που κάνουν τα γενετικά δεδομένα ξεχωριστά
- Αμετάβλητο: Το γονιδίωμα είναι το ίδιο σε όλη τη ζωή. εάν αποκαλυφθεί, δεν μπορεί να "ακυρωθεί".
- Ταυτότητα: Ακόμη και ένας μικρός αριθμός σπάνιων παραλλαγών μπορεί να προσδιορίσει μοναδικά ένα άτομο. Τα δεδομένα που θεωρούνται "ανώνυμα" μπορούν να επαναπροσδιοριστούν.
- Μέγεθος οικογένειας: Το γονιδίωμα ενός ατόμου περιέχει επίσης τις γενετικές πληροφορίες των συγγενών του. πληροφορίες μπορεί να αποκαλυφθούν χωρίς τη συγκατάθεσή τους.
- Προβλεψιμότητα: Μπορεί να υποδεικνύει μελλοντικό κίνδυνο ασθένειας. Η ασφάλιση μπορεί να αποτελεί λόγο για διακρίσεις στην απασχόληση.
- Κίνδυνος επαναπροσδιορισμού: Τα γονιδιωματικά δεδομένα μπορούν να συνδεθούν με την ταυτότητα μέσω διασταύρωσης με άλλες βάσεις δεδομένων.
Νομικό πλαίσιο: σύντομη επισκόπηση
Τα γενετικά δεδομένα ανήκουν στην κατηγορία των ειδικών (ευαίσθητων) προσωπικών δεδομένων στη νομοθεσία περί προστασίας δεδομένων και προστατεύονται αυστηρότερα. Στην Τουρκία, ο KVKK (Νόμος για την Προστασία Δεδομένων Προσωπικού Χαρακτήρα) θεωρεί τα δεδομένα υγείας και τα γενετικά δεδομένα ως ειδικά δεδομένα και, κατά κανόνα, δεσμεύει την επεξεργασία τους με ρητή συγκατάθεση ή ειδικές εξαιρέσεις. Στην Ευρώπη, ο GDPR προστατεύει ομοίως τα γενετικά δεδομένα ως ειδική κατηγορία. Στις ΗΠΑ, ο νόμος GINA απαγορεύει τις διακρίσεις στην ασφάλιση και την απασχόληση με βάση γενετικές πληροφορίες. Αν και οι λεπτομέρειες διαφέρουν ανά χώρα, η κοινή αρχή είναι η ίδια: τα γενετικά δεδομένα δεν μπορούν να υποβληθούν σε επεξεργασία χωρίς ρητή συγκατάθεση, περιορισμό σκοπού και ισχυρή προστασία.
Συμβουλή: Κατά τη λήψη συγκατάθεσης για γενετικό έλεγχο από έναν ασθενή, η αποκάλυψη μπορεί να περιλαμβάνει τον τρόπο επεξεργασίας των δεδομένων από εργαλεία τεχνητής νοημοσύνης. "Με ποια εργαλεία και πού επεξεργαζόμαστε τα δεδομένα σας για ανάλυση;" Να είστε σε θέση να απαντήσετε στην ερώτηση με διαφάνεια.
Βήμα προς βήμα: χρήση ασφαλούς τεχνητής νοημοσύνης με μυστικά γενετικά δεδομένα
1. Ταξινόμηση. Μπορούν να αναγνωριστούν τα δεδομένα που έχετε στην κατοχή σας; Περιέχει συνδυασμό ονόματος, αριθμού ταυτότητας, ημερομηνίας, σπάνιας παραλλαγής;
2. Ανωνυμοποιήστε ή μην μεταφέρετε καθόλου. Καταργήστε τα άμεσα αναγνωριστικά. Αλλά θυμηθείτε, η "ανωνυμοποίηση" στα γενετικά δεδομένα δεν παρέχει πλήρη βεβαιότητα. Είναι ασφαλέστερο να μην εισάγετε καθόλου προσωπικά αναγνωρίσιμα δεδομένα στο ανοιχτό όχημα.
3. Διαβάστε την πολιτική δεδομένων του εργαλείου. Επιλέξτε εργαλεία που είναι εταιρικά, έχουν συμφωνία επεξεργασίας δεδομένων (DPA), υπόσχονται να μην χρησιμοποιούν τα δεδομένα στην εκπαίδευση και κατά προτίμηση εργάζονται τοπικά/στενά.
4. Διαχωρίστε τις εννοιολογικές ερωτήσεις από τα δεδομένα. "Πώς να εφαρμόσω το ACMG PM2;" Μπορείτε να κάνετε εννοιολογικές ερωτήσεις AI, όπως π. Δεν απαιτούνται δεδομένα ασθενούς για αυτό. Χρησιμοποιήστε δεδομένα μόνο όταν είναι απαραίτητο και σε ανώνυμη μορφή.
5. Αποθηκεύστε το ίχνος. Τεκμηριώστε ποια δεδομένα επεξεργάζεστε, με ποιο εργαλείο και για ποιο σκοπό. Η δυνατότητα ελέγχου είναι ηθική και νομική απαίτηση.
τρεις μίνι θήκες
Περίπτωση 1 — Επικολλημένη αναφορά. Για ταχύτητα, ένας βοηθός επικόλλησε την αναφορά που περιείχε το πλήρες όνομα και τη λίστα παραλλαγών ενός ασθενούς σε μια γενική συνομιλία AI και είπε "σύνοψη". Ο ανώτερος ειδικός το συνειδητοποίησε αυτό: το όνομα και η σπάνια παραλλαγή μαζί αναγνώρισαν τον ασθενή και το εργαλείο αποθήκευε τα δεδομένα. Το περιστατικό απαιτούσε ειδοποίηση παραβίασης απορρήτου. Μάθημα: δεν μεταφέρονται δεδομένα αναγνώρισης, ακόμη και για τη σύνοψη.
Περίπτωση 2 — Συγκατάθεση της οικογένειας. Ενώ χρησιμοποιούσε τα δεδομένα ενός ασθενούς, ένας ερευνητής είπε στην AI ότι η παραλλαγή βρέθηκε επίσης στον αδερφό του. Ωστόσο, ο αδελφός δεν συναίνεσε στην επεξεργασία των δεδομένων του. Η οικογενειακή πτυχή των γενετικών δεδομένων έθεσε επίσης υπό αμφισβήτηση το απόρρητο τρίτων. Ο ανακριτής απέσπασε πληροφορίες για τον αδελφό.
Περίπτωση 3 — Επιβεβαίωση. Ένα εργαστήριο εφάρμοσε μια «λίστα ελέγχου ανωνυμοποίησης» πριν από την ανάλυση. Έβγαλαν ονόματα, αριθμούς ταυτότητας και ημερομηνίες πριν τα δώσουν στο AI. Επιπλέον, συνειδητοποίησαν ότι ένας πολύ σπάνιος συνδυασμός παραλλαγών από μόνος του θα μπορούσε να καθορίσει την ταυτότητα και δεν ανέφεραν καθόλου αυτό το δείγμα. Χωρίς τη λίστα ελέγχου, τα δεδομένα που θεωρούνται "ανώνυμα" θα μπορούσαν να είχαν επαναπροσδιοριστεί.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Έλεγχος ανωνυμοποίησης:
Πριν τροφοδοτήσετε αυτό το κείμενο σε ένα εργαλείο τεχνητής νοημοσύνης, αναφέρετε ΟΛΑ τα στοιχεία σε αυτό (όνομα, αριθμός ταυτότητας, ημερομηνία, διεύθυνση, συνδυασμός σπάνιων παραλλαγών, σπάνιος φαινότυπος) που θα μπορούσαν να ταυτοποιήσουν τον ασθενή ή τους συγγενείς του. Για καθένα, προτείνετε "παράλειψη" ή "μην μεταφέρετε καθόλου το δείγμα": [κείμενο].
2) Εννοιολογική ερώτηση (χωρίς δεδομένα):
ΧΩΡΙΣ κοινοποίηση δεδομένων ασθενών, απαντήστε σε αυτήν την εννοιολογική ερώτηση: [ACMG/ερώτηση μεθόδων]. Χρησιμοποιήστε κοινά παραδείγματα. Δεν θέλω πραγματικές πληροφορίες για τον ασθενή.
3) Έλεγχος συναίνεσης και διαφάνειας:
Βοηθήστε με να συντάξω ένα κείμενο πληροφοριών/συναίνεσης για γενετικό έλεγχο. Θα πρέπει να περιλαμβάνει: για ποιους σκοπούς θα υποβάλλονται σε επεξεργασία τα δεδομένα, με ποιους τύπους εργαλείων θα αναλυθούν, πώς θα χειρίζονται τα αποτελέσματα που αφορούν μέλη της οικογένειας, αποθήκευση και διαγραφή. Ανατρέξτε στη μονάδα νομικής/δεοντολογίας για νομική απόφαση.
4) Κριτήρια επιλογής οχήματος:
Ποια κριτήρια απορρήτου (συμφωνία επεξεργασίας δεδομένων, δέσμευση για μη χρήση στην εκπαίδευση, τοπική λειτουργία, έλεγχος πρόσβασης, διαγραφή) πρέπει να ρωτήσω όταν επιλέγω ένα εργαλείο AI/ανάλυσης που θα επεξεργάζεται ευαίσθητα γενετικά δεδομένα; Δημιουργείται μια λίστα ελέγχου αξιολόγησης.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο: "Σχόλιο του Ahmet Yılmaz (TC: ...) BRCA1 αποτέλεσμα: [πλήρης λίστα παραλλαγών]."
Πρόβλημα: Το άμεσο αναγνωριστικό + γενετικά δεδομένα μεταφέρονται στο ανοιχτό εργαλείο. κατάφωρη παραβίαση του απορρήτου.
Güçlü: "Χωρίς να προσδιορίσετε κανέναν, εξηγήστε χρησιμοποιώντας ένα γενικό παράδειγμα πώς αξιολογείται μια παραλλαγή αλλαγής πλαισίου στο BRCA1 στο ACMG. Δεν κοινοποιώ πραγματικά δεδομένα ασθενούς."
Γιατί είναι ισχυρό: Η ανάγκη μάθησης/αξιολόγησης ικανοποιείται, αλλά δεν μεταφέρονται δεδομένα αναγνώρισης.
Τύπος δεδομένων
Μπαίνει στο ανοιχτό εργαλείο AI;
εναλλακτική
Όνομα/αριθμός ταυτοποίησης ασθενούς
ποτέ
Καμία μεταφορά
Σπάνια παραλλαγή + ιστορικό
Ποτέ (προσδιορίζει)
Μεταφέρετε το δείγμα
εννοιολογική ερώτηση
Ναι
Γενικό παράδειγμα
Ανώνυμος, κοινό παράδειγμα
προσεκτικός
Επιχειρηματικό/τοπικό εργαλείο
Συγκεντρωτικά, ανώνυμα στατιστικά στοιχεία
ανάλογα με την κατάσταση
Όχημα με DPA
Συνήθη λάθη
- Επικόλληση δεδομένων αναγνώρισης ως "μόνο για περίληψη". Όποιος και αν είναι ο σκοπός, είναι παραβίαση.
- Η εσφαλμένη "ανωνυμοποίηση" για τα γενετικά δεδομένα ως πλήρης ασφάλεια. Είναι δυνατή η εκ νέου ταυτοποίηση.
- Ξεχνώντας την οικογενειακή πτυχή. Τα δεδομένα ενός ατόμου αποκαλύπτουν και τους συγγενείς του.
- Δεν διαβάζει την πολιτική δεδομένων του οχήματος. Τα δεδομένα μπορούν να χρησιμοποιηθούν ή να αποθηκευτούν στην εκπαίδευση.
- Μη τήρηση ιστορικών αρχείων. Εάν δεν υπάρχει δυνατότητα ελέγχου, δεν μπορεί να αποδειχθεί ευθύνη.
Προσοχή: Τις περισσότερες φορές, οι παραβιάσεις του απορρήτου δεν προκύπτουν από κακόβουλη πρόθεση, αλλά από ένα αντανακλαστικό "να το πάρεις γρήγορα". Ο μεγαλύτερος κίνδυνος είναι η αλόγιστη επικόλληση μιας αναφοράς σε ένα παράθυρο συνομιλίας σε μια περιστασιακή ροή εργασίας. Κόψτε ταχύτητα; Δεν υπάρχει κουμπί αναίρεσης στα γενετικά δεδομένα.
Βάθος: τα πραγματικά μαθηματικά επαναπροσδιορισμού και ασφαλών αρχιτεκτονικών
Γιατί είναι λάθος να σκεφτόμαστε «Έσβησα το όνομα, τώρα είναι ανώνυμο»; Επειδή δεν υπάρχει ανάγκη για όνομα για την ταυτοποίηση ενός ατόμου. Ένας συνδυασμός σπάνιων χαρακτηριστικών είναι αρκετός. Σύμφωνα με ένα κλασικό εύρημα, η τριάδα ημερομηνία γέννησης + φύλο + ταχυδρομικός κώδικας μπορεί να ξεχωρίσει τη συντριπτική πλειοψηφία του πληθυσμού των ΗΠΑ. Στη γενετική, η κατάσταση είναι πιο έντονη: ο συνδυασμός πολλών σπάνιων παραλλαγών (η καθεμία εμφανίζεται ακόμη και σε μία στις χίλιες στον πληθυσμό, μαζί λιγότερο από μία στο εκατομμύριο) δείχνει σε ένα μόνο άτομο. Επιπλέον, τα γονιδιωματικά δεδομένα μπορούν να διασταυρωθούν με βάσεις δεδομένων γενεαλογίας για τη σύνδεση ενός ατόμου με την ταυτότητα ενός συγγενή, ακόμη κι αν το άτομο δεν έχει παράσχει δεδομένα πουθενά αλλού - μια πραγματική μορφή επίθεσης που έχει αποδειχθεί στη βιβλιογραφία.
Άρα η διατήρηση απαιτεί αρχιτεκτονικές αποφάσεις που υπερβαίνουν το αντανακλαστικό «διαγραφή αναγνωριστικών». Πρακτικές επιλογές: χρήση τοπικών/αυτο-φιλοξενούμενων μοντέλων για να μην αφήνετε ποτέ τα δεδομένα εκτός των συνόρων του ιδρύματος. εάν θα χρησιμοποιηθεί το νέφος, επιλέξτε εταιρικές βαθμίδες με συμφωνία επεξεργασίας δεδομένων (DPA) και δέσμευση "να μην χρησιμοποιείτε τα δεδομένα στην εκπαίδευση". να εργάζεστε με προερχόμενες, συγκεντρωτικές πληροφορίες και όχι με ακατέργαστα δεδομένα για τον ασθενή, όποτε είναι δυνατόν. και τον περιορισμό της πρόσβασης στην αρχή του ελάχιστου προνομίου.
Συγκεκριμένη υπόθεση: ένα κέντρο συνόψισε μια «ανώνυμη» σειρά υποθέσεων σε ένα γενικό εργαλείο τεχνητής νοημοσύνης. Το σύνολο δεδομένων δεν περιείχε ονόματα, αλλά κάθε ασθενής είχε έναν συνδυασμό σπάνιας διάγνωσης + ηλικία + πόλη. Όταν διασταυρωθεί με μια αναφορά τοπικής εφημερίδας, ένας ασθενής μπορούσε να αναγνωριστεί. Η απουσία ακατέργαστων αναγνωριστικών δεν απέκλειε την εκ νέου ταυτοποίηση.
στρώμα προστασίας
Τι παρέχει
όριο
Διαγραφή αναγνωριστικού
Αφαιρεί άμεσα την ταυτότητα
Σπάνιοι συνδυασμοί παραμένουν
Τοπικό/αυτο-φιλοξενούμενο μοντέλο
Τα δεδομένα δεν φεύγουν από το ίδρυμα
Βάρος εγκατάστασης/συντήρησης
Το DPA+ δεν χρησιμοποιείται στην εκπαίδευση
Νομική/συμβατική διασφάλιση
Είναι απαραίτητο να διαβάσετε την πολιτική
Συγκέντρωση/παραγωγή
Μειώνει την ατομική ουλή
Περιορίζει το βάθος της ανάλυσης
Συνοπτικά
- Τα γενετικά δεδομένα είναι ειδικά, αμετάβλητα, ταυτοποιητικά και οικογενειακά δεδομένα. απαιτεί το υψηλότερο επίπεδο προστασίας.
- Τα αναγνωρίσιμα γενετικά δεδομένα ασθενών δεν εισάγονται ποτέ σε ανοιχτά εργαλεία τεχνητής νοημοσύνης. οι εννοιολογικές ερωτήσεις διαχωρίζονται από τα δεδομένα.
- Πλαίσια όπως KVKK, GDPR, GINA απαιτούν ρητή συναίνεση, όρια σκοπού και ισχυρή προστασία.
- Η ανωνυμοποίηση δεν είναι πλήρης διασφάλιση. Το πιο ασφαλές είναι να μην μεταφέρετε καθόλου κρίσιμα δεδομένα.
Εργασία εφαρμογής
Λήψη δείγματος (φανταστικής) γενετικής αναφοράς. Χρησιμοποιώντας το πρότυπο 1, απαριθμήστε όλα τα αναγνωριστικά στοιχεία σε αυτό και αποφασίστε εάν θα "παραλείψετε" ή "καμία μεταφορά" για το καθένα. Στη συνέχεια, ξαναγράψτε την ίδια κλινική ερώτηση χωρίς δεδομένα αναγνώρισης (χρησιμοποιώντας τη λογική του προτύπου 2). Περιγράψτε τη διαφορά απορρήτου μεταξύ των δύο εκδόσεων με μία πρόταση.
λίστα ελέγχου
- [ ] Ταξινόμησα τα δεδομένα ως προς την ταυτότητα.
- [ ] Δεν εισήγαγα προσωπικά αναγνωρίσιμα δεδομένα στο ανοιχτό εργαλείο.
- [ ] Παρατήρησα ότι μπορούσε να εντοπιστεί ένας συνδυασμός σπάνιων παραλλαγών.
- [ ] Έλεγξα την πολιτική δεδομένων του εργαλείου (διατήρηση, εκπαίδευση, DPA).
- [ ] Εξέτασα την οικογενειακή πτυχή και τη συναίνεση τρίτου μέρους.
- [ ] Κατέγραψα το ίχνος συναλλαγής και το διαβίβασα στη δεοντολογία/νομική μονάδα όταν ήταν απαραίτητο.