દર્દીની ગોપનીયતા, ડેટા ગોપનીયતા અને નીતિશાસ્ત્ર

નફો:

• દર્દીનો ડેટા શા માટે સંવેદનશીલ વ્યક્તિગત ડેટા છે અને તેને આર્ટિફિશિયલ ઇન્ટેલિજન્સ ટૂલ્સને આપવામાં આવે તે પહેલાં તેને કેવી રીતે સુરક્ષિત કરવું તે નિર્ધારિત કરવાની ક્ષમતા
• સંદર્ભને દૂર કરવાની ક્ષમતા, શિક્ષણમાં ડેટાનો ઉપયોગ ન કરતા હોય તેવા સાધનો પસંદ કરવા અને સંસ્થાકીય નીતિનું પાલન કરવાની ટેવ પાડવી.
• ગોપનીયતાના ઉલ્લંઘનના વ્યાવસાયિક, કાનૂની અને નૈતિક પરિણામો અને દર્દીના વિશ્વાસનું રક્ષણ કરવાની પ્રાથમિકતા સમજવાની ક્ષમતા.

દર્દી તેની સૌથી ખાનગી માહિતી સાથે તમારા પર વિશ્વાસ કરે છે: તેની માંદગી, તેનો ભૂતકાળ, તેનો ડર, કેટલીકવાર તે રહસ્યો જે તેણે કોઈને કહ્યું નથી. આ ટ્રસ્ટ નર્સિંગ વ્યવસાયનો આધાર છે, અને દર્દીની ગુપ્તતા આ ટ્રસ્ટનો નક્કર પ્રતિરૂપ છે. જ્યારે AI સાધનો શક્તિશાળી હોય છે, ત્યારે તેઓ ગોપનીયતાનું જોખમ પણ ઊભું કરે છે: દર્દીની માહિતીને બેદરકારીપૂર્વક AI ટૂલમાં ટાઈપ કરવાનો અર્થ એ છે કે તે માહિતી ક્યાં જાય છે, તેનો સંગ્રહ થાય છે કે કેમ અને તેનો ઉપયોગ શિક્ષણમાં થાય છે કે કેમ તે જાણ્યા વિના. આ એકમમાં, તમે શીખશો કે કૃત્રિમ બુદ્ધિના યુગમાં દર્દીના ડેટાને કેવી રીતે સુરક્ષિત રાખવો. મૂળભૂત સિદ્ધાંત આ છે: દર્દીનો ડેટા ખાસ વ્યક્તિગત ડેટા છે; તેને બિન-ઓળખ કર્યા વિના અને સુરક્ષિત અને માન્ય સાધનનો ઉપયોગ કર્યા વિના કોઈપણ કૃત્રિમ બુદ્ધિ સાધનને આપવામાં આવતું નથી.

શા માટે દર્દીનો ડેટા ખાનગી રીતે સુરક્ષિત છે

વ્યક્તિગત ડેટા એવી કોઈપણ માહિતી છે જે વ્યક્તિને ઓળખે છે (નામ, ID નંબર, સરનામું). વિશેષ વ્યક્તિગત ડેટા વધુ સંવેદનશીલ શ્રેણીઓ છે; આરોગ્ય ડેટા આમાં પ્રથમ આવે છે. જ્યારે કોઈ વ્યક્તિની બીમારી જાહેર થાય છે, ત્યારે રોજગાર, વીમો, સામાજિક સંબંધો અને પ્રતિષ્ઠાને નુકસાન થઈ શકે છે. તેથી જ કાયદો (KVKK - આપણા દેશમાં પર્સનલ ડેટા પ્રોટેક્શન લો; યુરોપમાં GDPR) ઉચ્ચ સ્તરે આરોગ્ય ડેટાનું રક્ષણ કરે છે અને તેની પ્રક્રિયાને કડક નિયમોથી બાંધે છે. હેલ્થકેર સંસ્થાઓની પોતાની ગોપનીયતા નીતિઓ અને દર્દીના અધિકારોના નિયમો પણ હોય છે.

જ્યારે તમે AI ટૂલમાં દર્દીની માહિતી ટાઇપ કરો છો, ત્યારે તે માહિતી ઘણીવાર તમારી સંસ્થાની બહારના સર્વર પર જાય છે. તે ટૂલ ડેટાને કેવી રીતે સંગ્રહિત કરે છે, કોણ તેને એક્સેસ કરે છે અને તે તાલીમમાં તેનો ઉપયોગ કરે છે કે કેમ તેના પર તમારું કોઈ નિયંત્રણ નથી. તેથી, ડેટા વાહન સુધી પહોંચે તે પહેલાં તેને સુરક્ષિત રાખવો જોઈએ.

સાવધાન: "હું માત્ર મદદ માટે પૂછતો હતો" ગોપનીયતાના આક્રમણને યોગ્ય ઠેરવતું નથી. દર્દીનું નામ, ID, દુર્લભ નિદાન અથવા અપ્રુવકૃત આર્ટિફિશિયલ ઇન્ટેલિજન્સ ટૂલમાં વિગતની ઓળખ લખવી; તે વ્યાવસાયિક, નૈતિક અને કાનૂની ઉલ્લંઘન છે. નુકસાન પૂર્વવત્ કરી શકાતું નથી.

કેવી રીતે ડી-ઓળખ કરવી

ડી-ઓઇડેન્ટિફિકેશન (અનામીકરણ) એ ટેક્સ્ટમાંથી એવી બધી માહિતી દૂર કરવી છે જે વ્યક્તિને ઓળખી શકે છે અથવા તેને ટેગ સાથે બદલી શકે છે. નામ, અટક, TR ID, ફાઇલ નંબર, જન્મ તારીખ, સરનામું, ટેલિફોન, તારીખ, દુર્લભ નિદાન સંયોજન અને વ્યવસાય જેવા ઓળખકર્તાઓને સાફ કરવામાં આવે છે. સાવધાની: કેટલીકવાર વ્યક્તિગત રીતે નિરુપદ્રવી લાગે તેવી માહિતી એકસાથે મૂકવામાં આવે ત્યારે વ્યક્તિને જાણી શકાય છે (દા.ત. "ગામનો એકમાત્ર ડાયાલિસિસ દર્દી"). બિન-ઓળખમાં, ફક્ત નામ કાઢી નાખવું પૂરતું નથી; તે ખાતરી કરવા માટે જરૂરી છે કે સંદર્ભ વ્યક્તિને દૂર ન આપે.

બિન-ઓળખાયેલ ટેક્સ્ટ સાથે કામ કરવું એ મોટાભાગનાં કાર્યો માટે પૂરતું છે: સંભાળ યોજનાનો ડ્રાફ્ટ, SBAR લેઆઉટ, તાલીમ સામગ્રી, પ્રક્રિયાનો સારાંશ આ બધું વાસ્તવિક ઓળખ વિના તૈયાર કરી શકાય છે. કાર્યની ગુણવત્તા માટે ઓળખ લગભગ ક્યારેય જરૂરી નથી.

ત્રણ નાના કેસો

કેસ 1 - સલામત ઉપયોગ. એક જટિલ કેસને ગોઠવવા માટે એક નર્સ આર્ટિફિશિયલ ઇન્ટેલિજન્સથી મદદ મેળવવા માંગે છે. તે લખાણમાંથી નામ, આઈડી, તારીખ અને ઓળખવાની વિગતો કાઢી નાખે છે અને તેને "68-વર્ષીય દર્દી" જેવા સામાન્ય અભિવ્યક્તિઓમાં લખે છે. તે સંસ્થા દ્વારા માન્ય સાધનનો ઉપયોગ કરે છે જે શિક્ષણમાં ડેટાનો ઉપયોગ કરતું નથી. તે કાર્ય સુરક્ષિત રીતે પૂર્ણ કરે છે. ID ક્યારેય જરૂરી નહોતું.

કેસ 2 - ગુપ્ત ઓળખકર્તા. એક નર્સે નામ કાઢી નાખ્યું પરંતુ લખ્યું, "અમારી હોસ્પિટલમાં એકમાત્ર જોડિયા ગર્ભવતી છે." આ અભિવ્યક્તિ વ્યક્તિને ઓળખી કાઢે છે. એક સાથીદાર ચેતવણી આપે છે; નર્સ સંદર્ભનું સામાન્યીકરણ કરી રહી છે. પાઠ: નામ ભૂંસી નાખવું પૂરતું નથી; સંદર્ભે વ્યક્તિને દૂર પણ ન આપવી જોઈએ.

કેસ 3 - અસ્વીકૃત વાહન. દોડતી વખતે એક નર્સ દર્દીના સારાંશને મફત એપ્લિકેશનમાં પેસ્ટ કરે છે. તેને પાછળથી ખબર પડે છે કે આ ટૂલ ડેટા સ્ટોર કરે છે અને તેનો ટ્રેનિંગમાં ઉપયોગ કરે છે. એક ગંભીર ગોપનીયતા ચિંતા ઊભી થાય છે. પાઠ: ઉપયોગ કરતા પહેલા ટૂલની ગોપનીયતા નીતિ અને એજન્સીની મંજૂરી તપાસો.

સ્ટેપ બાય સ્ટેપ: ગોપનીયતાનું રક્ષણ કરતી વખતે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કરવો

1. શું તે ખરેખર જરૂરી છે? કાર્ય માટે કયો ડેટા ઓછામાં ઓછો પૂરતો છે?
2. ઓળખાણ. નામ, ID, તારીખ, સરનામું અને ઓળખવાની વિગતો સાફ કરો.
3. સંદર્ભ તપાસો. શું બાકીની માહિતી વ્યક્તિને દૂર કરે છે?
4. સાધન પસંદ કરો. સંસ્થા મંજૂર, શિક્ષણમાં ડેટાનો ઉપયોગ ન કરતી, નીતિ અનુપાલન.
5. ન્યૂનતમ ડેટા સાથે કામ કરો. વધારે ન આપો.
6. જ્યારે શંકા હોય, ત્યારે શેર કરશો નહીં. જો તમને ખાતરી ન હોય, તો ઇન્ચાર્જ વ્યક્તિની સલાહ લો.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

કાર્ય: નીચે દર્દીના લખાણની ઓળખ કાઢી નાખો. તમારું નામ, અટક, TR ID નંબર, ફાઇલ નંબર, જન્મ તારીખ, સરનામું, ટેલિફોન, તારીખ અને દુર્લભ વિગતો બદલો જે વ્યક્તિને [TAGET] વડે ઓળખી શકે છે; ક્લિનિકલ મહત્વ જાળવી રાખો. ટેક્સ્ટ: [...]

કાર્ય: નીચેના અનામી ટેક્સ્ટમાં, માહિતીને ચિહ્નિત કરો કે જે વ્યક્તિગત રીતે હાનિકારક લાગે છે પરંતુ જ્યારે એકસાથે મૂકવામાં આવે ત્યારે વ્યક્તિને ઓળખી શકાય તેવું બની શકે છે, અને તેને સામાન્યીકરણ કેવી રીતે કરવું તે સૂચવો. ટેક્સ્ટ: [...]

કાર્ય: દર્દીના ડેટાના સંદર્ભમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ટૂલનું મૂલ્યાંકન કરવા માટે એક ચેકલિસ્ટ તૈયાર કરો: શું તે શિક્ષણમાં ડેટાનો ઉપયોગ કરે છે, તે તેને ક્યાં સંગ્રહિત કરે છે, શું સંસ્થાકીય મંજૂરી છે, ડેટા કાઢી નાખવાની નીતિ શું છે? નિર્ણય મારો થવા દો.

કાર્ય: નર્સ માટે આ (અનામી) કેસ ગોઠવો. સમગ્ર કાર્ય દરમિયાન કોઈપણ ઓળખપત્રો ઉમેરો અથવા વિનંતી કરશો નહીં; સામાન્ય ઉંમર/લિંગ સિવાયના ઓળખકર્તાઓનો ઉપયોગ કરવો. કેસ: [...]

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: "અહમેટ યિલમાઝ, 62, ટીસી 123..., નીચેના નિદાન સાથે હોસ્પિટલમાં દાખલ છે, તેના માટે સંભાળ યોજના લખો."

સશક્ત: "હું પ્રદાન કરું છું તે સામાન્ય ક્લિનિકલ માહિતી સાથે 62-વર્ષીય પુરુષ દર્દી (અનામી) માટે એક ડ્રાફ્ટ કેર પ્લાન તૈયાર કરો. સમગ્ર સોંપણી દરમિયાન, હું પૂછીશ નહીં, અને તમે નામ, ID, તારીખ અથવા અન્ય કોઈપણ વ્યક્તિગત રીતે ઓળખી શકાય તેવી માહિતી ઉમેરશો નહીં. સામાન્ય ક્લિનિકલ સંદર્ભ સાથે જ કાર્ય કરો."

મજબૂત પ્રોમ્પ્ટમાં, ઓળખ ક્યારેય આપવામાં આવતી નથી; ગુણવત્તા આનાથી પીડાતી નથી.

સામાન્ય ભૂલો

• નામ કાઢી નાખવું અને સંદર્ભ ભૂલી જવું. ઓળખી શકાય તેવી વિગતો વ્યક્તિને આપી શકે છે.
• વિચાર્યા વિના બિનમંજૂર/મુક્ત સાધનનો ઉપયોગ કરવો. ગોપનીયતા નીતિ અને સંસ્થાકીય મંજૂરી પહેલા તપાસવામાં આવે છે.
• એવું વિચારીને કે ઓળખ "ગુણવત્તા માટે જરૂરી" છે. લગભગ કોઈ મિશનને વાસ્તવિક IDની જરૂર નથી.
• ઉતાવળથી પેસ્ટ કરો. એકવાર બહાર થઈ ગયા પછી, ડેટા પુનઃપ્રાપ્ત કરી શકાતો નથી.
• શંકામાં શેરિંગ. જો તમને ખાતરી ન હોય, તો તે આપશો નહીં; ઇન્ચાર્જ વ્યક્તિની સલાહ લો.

જો લીક થાય છે: નુકસાન મર્યાદા

સૌથી વધુ સાવચેત નર્સ પણ ભૂલ કરી શકે છે: જેમ કે આકસ્મિક રીતે અપ્રુવ્ડ વાહનમાં ઓળખ ધરાવતું ટેક્સ્ટ પેસ્ટ કરવું. આવી સ્થિતિમાં, ગભરાવું અથવા છુપાવવું એ સૌથી ખરાબ પ્રતિક્રિયા છે. સાચો અભિગમ એ નુકસાનની મર્યાદા છે: તાત્કાલિક ઘટનાની જાણ ચાર્જ નર્સ અને તમારી એજન્સી ડેટા સુરક્ષા/પાલન એકમને કરો, નોંધ કરો કે કયો ડેટા ક્યાં જાય છે અને એજન્સીની ઘટના અહેવાલ પ્રક્રિયાને અનુસરો. ઘણા સાધનોમાં ભૂતકાળની વાતચીતો કાઢી નાખવા અથવા ડેટા વપરાશને બંધ કરવાનો વિકલ્પ હોય છે; આનો ઉપયોગ કરવો જોઈએ. પ્રારંભિક અને પ્રમાણિક રિપોર્ટિંગ બંને દર્દીનું રક્ષણ કરે છે અને તમને વ્યવસાયિક રીતે જમણી બાજુએ રાખે છે. ગોપનીયતાની ઘટનાને છુપાવવી એ ઘટના કરતાં પણ મોટું ઉલ્લંઘન છે.

મોટાભાગની સંસ્થાઓ પાસે આવી ઘટનાઓ માટે રિપોર્ટિંગ અને મૂલ્યાંકન પ્રક્રિયા હોય છે; ઉદ્દેશ્ય દોષ આપવાનો નથી, પરંતુ પુનરાવૃત્તિને રોકવાનો છે. તેથી નિઃસંકોચ તેની જાણ કરો.

દર્દીને પારદર્શિતા અને સંમતિ

ગોપનીયતા માત્ર ડેટા છુપાવવા વિશે નથી, તે દર્દી સાથે પ્રમાણિક રહેવા વિશે છે. દર્દીને તેની માહિતીનો ઉપયોગ કેવી રીતે થાય છે તે જાણવાનો અધિકાર છે. સંભાળની પ્રક્રિયામાં AI સાધનોનો ઉપયોગ કરતી વખતે, સંસ્થાકીય નીતિ અને દર્દીના અધિકારોના માળખામાં પારદર્શિતા આવશ્યક છે: દર્દીના ડેટા સાથે સંબંધિત વ્યવહારો સંસ્થાની જાહેરાત અને સંમતિ પ્રક્રિયાઓ અનુસાર હાથ ધરવામાં આવશ્યક છે. એક નર્સ તરીકે, સાધનમાં દર્દીના ડેટાની પ્રક્રિયા કરતી વખતે એક સારો હોકાયંત્ર એ પૂછવાનું છે કે "શું આ દર્દીએ મારા પર મૂકેલા વિશ્વાસ સાથે સુસંગત છે?" જો તમને દર્દીને કોઈ પ્રક્રિયા સ્પષ્ટ રીતે સમજાવવામાં અસ્વસ્થતા લાગતી હોય, તો તમારે કદાચ તે ન કરવું જોઈએ. ગોપનીયતા એ ટેકનિકલ નિયમ છે તે પહેલાં વિશ્વાસનો સંબંધ છે; ટેક્નૉલૉજીએ આ સંબંધને મજબૂત બનાવવો જોઈએ, નબળો પાડવો જોઈએ.

ટીપ: ડી-ઓડેન્ટિફિકેશનને આદત બનાવવાની એક વ્યવહારુ રીત એ છે કે દર્દીના ડેટા સાથે કામ કરતા પહેલા તમારી જાતને એક સતત પ્રશ્ન પૂછવો: "જો આ ટેક્સ્ટ આકસ્મિક રીતે સંસ્થાની બહાર ગયો, તો શું કોઈ કહી શકે કે આ વ્યક્તિ કોણ છે?" જો જવાબ "કદાચ" હોય તો પણ સંદર્ભને વધુ સામાન્ય બનાવો. અંગૂઠાનો બીજો નિયમ એ છે કે ડેટાની માત્રાને સતત મર્યાદિત કરવી: એઆઈને કાર્ય માટે જરૂરી ન્યૂનતમ માહિતી આપો, વધારાની વિગતો ઉમેરશો નહીં "માત્ર કિસ્સામાં." આપેલ કોઈપણ વધારાની માહિતી બિનજરૂરી અને જોખમી બંને છે. ગોપનીયતા એ એક વખતની તપાસ નથી, પરંતુ દરેક કીસ્ટ્રોક સાથે લાગુ કરાયેલ શિસ્ત છે; આ શિસ્ત સમય જતાં પ્રતિબિંબ બની જાય છે અને તમને અને દર્દી બંનેનું રક્ષણ કરે છે.

સારાંશમાં

દર્દીનો ડેટા ખાસ વ્યક્તિગત ડેટા છે અને દર્દીના વિશ્વાસનો આધાર છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ ટૂલ્સ આ ડેટાને સંસ્થાની બહાર ખસેડવાનું જોખમ ધરાવે છે. દરેક ઉપયોગ પહેલાં ડેટાની ઓળખ કાઢી નાખો, ખાતરી કરો કે સંદર્ભ વ્યક્તિને દૂર ન કરે, સંસ્થા દ્વારા માન્ય સાધન પસંદ કરો જે તાલીમમાં ડેટાનો ઉપયોગ કરતું નથી અને માત્ર ન્યૂનતમ ડેટા સાથે કામ કરે છે. ગોપનીયતા પર આક્રમણ ઉલટાવી શકાય તેવું છે; શંકામાં શેર કરશો નહીં. લગભગ કોઈપણ કાર્ય માટે ઓળખ જરૂરી નથી.

એપ્લિકેશન કાર્ય

તમારી પોતાની સેવામાંથી વાસ્તવિક હકીકત પત્રક મેળવો. તેને/તેણીની ઓળખ કાઢી નાખો: સ્પષ્ટ નામ, ID, તારીખ, સરનામું અને ઓળખી શકાય તેવી વિગતો, પછી તપાસો કે સંદર્ભ હજુ પણ વ્યક્તિને આપે છે કે કેમ. પછી, તમે જે આર્ટિફિશિયલ ઇન્ટેલિજન્સ ટૂલનો ઉપયોગ કરો છો તેની ગોપનીયતા નીતિ ખોલો અને નોંધ કરો કે તે શિક્ષણમાં ડેટાનો ઉપયોગ કરે છે કે કેમ અને તેને સંસ્થાકીય મંજૂરી છે કે કેમ. જો તમને ગોપનીયતાનું જોખમ જણાય, તો તેને લખો.

ચેકલિસ્ટ

• [ ] મેં કાર્ય માટે ન્યૂનતમ ડેટા સેટ કર્યો છે.
• [ ] મેં નામ, ID, તારીખ, સરનામું અને ઓળખકર્તાઓ સાફ કર્યા.
• [ ] મેં તપાસ કરી છે કે બાકીનો સંદર્ભ વ્યક્તિને દૂર આપતો નથી.
• [ ] મેં સંસ્થા દ્વારા મંજૂર કરેલ સાધન પસંદ કર્યું જેનો ઉપયોગ તાલીમમાં થતો નથી.
• [ ] મેં ફક્ત ન્યૂનતમ જરૂરી ડેટા સાથે કામ કર્યું.
• [ ] મેં ટૂલની ગોપનીયતા નીતિ તપાસી.
• જ્યારે મને શંકા હતી, ત્યારે મેં તે શેર કર્યું ન હતું અને જવાબદાર વ્યક્તિની સલાહ લીધી હતી.