سود:
- امکان تعریف داده های بیمار به عنوان داده های شخصی خاص و تعهدات تحت KVKK
- توانایی پیاده سازی ناشناس سازی زمینه، کمینه سازی داده ها و انتخاب ابزار مطابق با خط مشی/شرکت
- درک پیامدهای بالینی، قانونی و اخلاقی نقض داده ها و زنجیره پیشگیری
دادههای بیمار صمیمیترین اطلاعات یک فرد است: بیماریها، ویژگیهای ژنتیکی، سلامت روان، اعتیاد، سلامت جنسی. در ترکیه، قانون حفاظت از داده های شخصی شماره 6698 (KVKK) داده های بهداشتی را به عنوان داده های شخصی خاص تعریف می کند. به عبارت دیگر، بالاترین سطح حفاظت را فراهم می کند. وارد کردن بی دقت این داده ها در ابزار هوش مصنوعی (AI) هم حریم خصوصی بیمار و هم مسئولیت قانونی را به خطر می اندازد. در این بخش، نحوه محافظت از داده های بیمار هنگام کار با هوش مصنوعی، ناشناس سازی و به حداقل رساندن داده ها، انتخاب ابزارهای ایمن و عواقب نقض را یاد خواهید گرفت. اصل اساسی: داده های غیر ضروری را ارائه ندهید. آنچه را که می دهید ناشناس کنید؛ فقط از ابزارهای مناسب و منطبق با خط مشی استفاده کنید.
چرا داده های سلامت خصوصی هستند؟
طبق KVKK، داده های شخصی هر گونه اطلاعاتی است که متعلق به یک شخص حقیقی شناسایی شده یا قابل شناسایی باشد. از سوی دیگر، دادههای بهداشتی «ماهیت خاصی» دارند: پردازش آنها، به عنوان یک قاعده، مستلزم رضایت صریح یا شرایط خاصی است که توسط قانون مجاز است، و اقدامات امنیتی سختگیرانهتر ضروری است. حتی اگر بیمار نامی نداشته باشد. وقتی یک بیماری نادر، یک تاریخچه خاص، یک موسسه و یک سن با هم ترکیب شوند، می توان فرد را دوباره تعریف کرد. به همین دلیل است که ایده "من نام را حذف کردم، من در امان هستم" گمراه کننده است. شناسه های غیرمستقیم نیز خطراتی دارند.
توجه: در صورت عدم رضایت صریح و اقدامات احتیاطی مناسب، وارد کردن دادههای سلامت در سرویس هوش مصنوعی که از دادهها برای آموزش مدل استفاده میکند یا سرورها/خطمشیهای آن نامشخص است، نقض KVKK است. مسئولیت بر عهده پزشک و موسسه است. "من نمی دانستم" یک دفاع نیست.
سه دفاع اساسی
1. به حداقل رساندن داده ها. فقط اطلاعاتی را ارائه دهید که واقعاً برای کار ضروری است. نیازی به نام، شناسه یا آدرس بیمار برای ساده کردن زبان اپیکریزی نیست.
2. ناشناس سازی. شناسه های مستقیم (نام، نام خانوادگی، شناسه، شماره پرونده، تلفن، آدرس، تاریخ) را با یک برچسب حذف یا جایگزین کنید. همچنین شناسه های غیرمستقیم (تشخیص نادر + موسسه + تاریخ) را تعمیم دهید.
3. انتخاب وسیله نقلیه ایمن. ابزارهای قراردادی، شرکتی و سازگار با KVKK را انتخاب کنید که تضمین می کند از داده ها در آموزش استفاده نمی شود. سیاست حفظ حریم خصوصی را بخوانید: داده ها کجا ذخیره می شوند، چه مدت نگهداری می شوند، چه کسی دسترسی دارد؟
گام به گام: استفاده از هوش مصنوعی مطابق با KVKK
- آیا این داده ها لازم است؟ هرگز چیزی را که لازم نیست ندهید.
- ناشناس کردن. شناسه های مستقیم و غیر مستقیم را پاک کنید.
- ابزار را تأیید کنید. خط مشی، حفظ، استفاده آموزشی، مکان سرور.
- آیا رضایت صریح لازم است؟ در صورت لزوم فرآیند را طبق روال موسسه انجام دهید.
- خروجی را نیز حفظ کنید. آیا نشت هویت در خروجی هوش مصنوعی وجود دارد؟
- ردیابی و سیاست. از سوابق پردازش داده های شرکت پیروی کنید.
سه کیف کوچک
مورد 1 - از تخلف جلوگیری شد. یک دستیار می خواهد یک مورد جالب با هوش مصنوعی را برای ارائه خلاصه کند. ابتدا نام، شناسه، شماره پرونده و تاریخ را از متن استخراج می کند، موسسه را تعمیم می دهد و ابزار مورد تایید موسسه را انتخاب می کند که از داده ها در آموزش استفاده نمی کند. بنابراین، هم کار خود را سرعت می بخشد و هم از حریم خصوصی محافظت می کند.
مورد 2 - خطر شناسایی غیر مستقیم. یک پزشک عبارت "تنها بیمار سرطانی کودکان در شهرستان X" را در هوش مصنوعی وارد می کند. هیچ نامی وجود ندارد، اما این توصیف به یک فرزند مجرد اشاره می کند. می تواند دوباره تعریف شود. به گفته همکارش، پزشک این بیانیه را تعمیم می دهد ("یک مورد سرطان شناسی کودکان") و خطر را از بین می برد.
مورد 3 - ابزار اشتباه. یک کلینیک از یک ابزار رایگان برای پاسخ دادن به پیام های بیمار بدون خواندن خط مشی حفظ حریم خصوصی استفاده می کند. بعداً مشخص شد که این ابزار از داده ها در آموزش استفاده می کند. موسسه خودرو را متوقف می کند، روند را بررسی می کند و به سمت راه حلی مطابق با KVKK حرکت می کند. خواندن این سیاست از قبل می توانست از این خطر در وهله اول جلوگیری کند.
جدول انواع شناسه
ژانر
مثال
انجام شود
شناسه مستقیم
نام، TR ID، شماره فایل، تلفن
حذف/برچسب
نیمه توصیفی
تاریخ تولد کامل آدرس کامل
تعمیم (سال، ناحیه)
شناسه غیر مستقیم
تشخیص نادر + موسسه + سابقه
زمینه را تعمیم دهید
متن رایگان
نام/رویداد ذکر شده در یادداشت
اسکن و تمیز کنید
نشتی خروجی
هویت در متن تولید شده توسط هوش مصنوعی
خروجی را نیز بررسی کنید
چهار قالب قابل کپی
وظیفه: همه شناسه های شخصی/سلامتی را در متن زیر پیدا و طبقه بندی کنید: مستقیم (نام، شناسه، شماره پرونده، تلفن، آدرس)، نیمه (تاریخ کامل)، غیر مستقیم (تشخیص نادر + موسسه + تاریخ). با حفظ اهمیت بالینی، هر کدام را با [LABEL] جایگزین کنید. متن: [...]
وظیفه: ارزیابی خطر شناسایی قرمز خلاصه این مورد. چه ترکیبی از اطلاعات می تواند به شخص اشاره کند؟ برای کاهش ریسک چه عباراتی را باید تعمیم داد؟ خلاصه: [...]
وظیفه: برای ارزیابی سیاست حفظ حریم خصوصی یک ابزار هوش مصنوعی برای من چک لیستی تهیه کنید: آیا داده ها در آموزش استفاده می شود، چقدر ذخیره می شود، سرور کجاست، چه کسی به آن دسترسی دارد، آیا توافقنامه KVKK/پردازنده داده وجود دارد؟
وظیفه: خروجی هوش مصنوعی زیر را برای هر گونه اطلاعات شناسایی یا شناسایی مجدد که ممکن است حاوی آن باشد اسکن و پرچم گذاری کنید. اگر نشتی وجود دارد، یک نسخه تمیز شده را پیشنهاد دهید. خروجی: [...]
اعلان ضعیف / اعلان قوی
ضعیف: "احمت یلماز، TC 123...، فایل 456، X Hospital، خلاصه اپیکریزیس بیمار بستری شده در بیمارستان با تشخیص زیر."
گوچلو: "یک خلاصه پرونده ناشناس را ساده کنید: مرد 60 ساله، بستری در بخش داخلی، [تشخیص]، [درمان]. نام، شناسه، شماره پرونده، موسسه و تاریخ کامل ذکر نشده است. هیچ گونه اطلاعات شناسایی در پرینت وارد نکنید."
در اعلان قدرتمند، داده ها به حداقل رسیده و ناشناس هستند. هم حریم خصوصی و هم خروجی محافظت می شود.
اشتباهات رایج
- فکر کردن "من نام را حذف کردم، من در امان هستم". شناسه های غیر مستقیم نیز توصیف می کنند.
- دادن اطلاعات غیر ضروری اطلاعاتی که برای انجام کار مورد نیاز نیستند به هیچ وجه نباید وارد شوند.
- خط مشی را نخواند. باید دانست که آیا ابزار از داده ها در آموزش استفاده می کند یا خیر.
- کنترل نکردن خروجی هویت همچنین می تواند در خروجی هوش مصنوعی به بیرون درز کند.
- دور زدن رضایت در صورت لزوم نباید از رضایت صریح و رویه غفلت کرد.
در صورت نقض: پیوندهای بعدی در زنجیره
ناشناس سازی و انتخاب ابزار دفاع پیشگیرانه هستند. اما در صورت وجود تخلف باید از قبل معلوم شود که چه باید کرد. KVKK تعهدات خاصی را بر کنترل کننده داده ها تحمیل می کند: در صورت مشاهده تخلف، تخلف را بدون تاخیر ارزیابی کند، به افراد مربوطه اطلاع دهد و در صورت لزوم، هیئت حفاظت از داده های شخصی را برای محدود کردن خسارت. در محیط بالینی، این امر مستلزم این است که موسسه، نه یک پزشک واحد، فرآیند را به عنوان کنترل کننده داده ها اجرا کند.
نکته مهم در عمل پنهان نکردن یا به حداقل رساندن تخلف است. نگرش "به هر حال نامی نداشت" یا "هیچ کس متوجه نمی شود" هم ریسک قانونی و هم اعتماد بیمار را تضعیف می کند. رفلکس صحیح این است که بلافاصله حادثه را به واحد مربوطه موسسه (کنترل کننده داده/انطباق) گزارش کنید، اسنادی را که دادهها کجا میروند، انجام دهید و اصلاح را انجام دهید تا از تکرار آن جلوگیری شود. نقض همچنین یک فرصت یادگیری است که پیوند ضعیف سیستم را نشان می دهد: چه مرحله ای نادیده گرفته شد، چه قانونی از دست رفت؟
احتیاط: پنهان کردن نقض حریم خصوصی ممکن است عواقب شدیدتری نسبت به خود نقض داشته باشد. گزارش شفاف و اصلاح سریع راه درستی است، هم از نظر قانونی و هم از نظر اخلاقی.
به طور خلاصه
دادههای بیمار، دادههای شخصی ویژه تحت KVKK هستند و به بالاترین حفاظت نیاز دارند. هنگام کار با هوش مصنوعی از سه دفاع استفاده کنید: داده هایی را که لازم نیست ارائه نکنید (به حداقل رساندن)، ناشناس کردن آنچه ارائه می کنید (شناسه های مستقیم و غیر مستقیم)، تنها ابزارهایی را انتخاب کنید که مطابق با خط مشی هستند و از داده ها برای آموزش استفاده نمی کنند. همچنین خروجی را برای نشتی بررسی کنید. عواقب تخلف از نظر بالینی، قانونی و اخلاقی شدید است. مسئولیت بر عهده پزشک و موسسه است.
وظیفه کاربردی
خط مشی رازداری ابزار هوش مصنوعی را که خودتان استفاده می کنید با چک لیست بالا ارزیابی کنید: آیا از داده ها در آموزش استفاده می شود، چقدر ذخیره می شود، سرور کجاست؟ سپس یک متن واقعی (با دست خود) را ناشناس کنید. هر یک از شناسه های مستقیم، نیمه و غیر مستقیم را پیدا و پاک کنید. در نظر بگیرید که آیا خطر شناسایی مجدد وجود دارد یا خیر.
چک لیست
- [ ] من هرگز داده های غیر ضروری برای کار ارائه نکردم.
- [ ] من شناسه های مستقیم را حذف/برچسب کردم.
- [ ] من شناسه های نیمه و غیر مستقیم را تعمیم دادم.
- [ ] من خطر شناسایی مجدد را ارزیابی کرده ام.
- [ ] من سیاست حفظ حریم خصوصی ابزار را خوانده ام و مناسب بودن آن را تأیید کرده ام.
- [ ] من خروجی هوش مصنوعی را برای نشت هویت بررسی کردم.
- [ ] من رضایت صریح و رویه سازمانی را در صورت لزوم اعمال کردم.