ನೀತಿಶಾಸ್ತ್ರ, ಗೌಪ್ಯತೆ ಮತ್ತು ಡೇಟಾ ರಕ್ಷಣೆ: ಜೆನೆಟಿಕ್ ಡೇಟಾದ ವಿಶೇಷ ಜವಾಬ್ದಾರಿ

ಲಾಭಗಳು:

• ಆನುವಂಶಿಕ ಡೇಟಾವು ವೈಯಕ್ತಿಕ ಡೇಟಾದ ವಿಶೇಷ ವರ್ಗ ಮತ್ತು ಮರು-ಗುರುತಿಸುವಿಕೆಯ ಅಪಾಯವನ್ನು ಏಕೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಉಪಕರಣಗಳನ್ನು ತೆರೆಯಲು ರೋಗಿಯ ಡೇಟಾವನ್ನು ಒದಗಿಸುವ ಮೊದಲು ಅನಾಮಧೇಯತೆ, ಒಪ್ಪಿಗೆ ಮತ್ತು ಡೇಟಾ ಕಡಿಮೆಗೊಳಿಸುವಿಕೆ ತತ್ವಗಳನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ
• KVKK/GDPR ನಂತಹ ಚೌಕಟ್ಟಿನೊಳಗೆ ಜೆನೆಟಿಕ್ ಡೇಟಾ ಸಂಸ್ಕರಣೆ ಮತ್ತು ವೃತ್ತಿಪರ ನೈತಿಕ ಹೊಣೆಗಾರಿಕೆಯ ಮಿತಿಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ

ಜೆನೆಟಿಕ್ ಡೇಟಾ ಸಾಮಾನ್ಯ ವೈಯಕ್ತಿಕ ಡೇಟಾ ಅಲ್ಲ. ವ್ಯಕ್ತಿಯ DNA ಅನುಕ್ರಮ; ಇದು ನಿಮ್ಮನ್ನು ಅನನ್ಯವಾಗಿ ಗುರುತಿಸುತ್ತದೆ, ಬದಲಾಯಿಸಲಾಗುವುದಿಲ್ಲ (ನೀವು ನಿಮ್ಮ ಪಾಸ್‌ವರ್ಡ್ ಅನ್ನು ಬದಲಾಯಿಸಬಹುದು ಆದರೆ ನಿಮ್ಮ ಜೀನೋಮ್ ಅಲ್ಲ), ಭವಿಷ್ಯದ ಕಾಯಿಲೆಯ ಅಪಾಯಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಬಹುದು ಮತ್ತು ವೈಯಕ್ತಿಕವಾಗಿ ಮಾತ್ರವಲ್ಲದೆ ಎಲ್ಲಾ ರಕ್ತ-ಸಂಬಂಧಿತ ಕುಟುಂಬ ಸದಸ್ಯರಿಗೂ ಕಾಳಜಿಯನ್ನು ನೀಡುತ್ತದೆ. ಆದ್ದರಿಂದ, ಜೆನೆಟಿಕ್ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ (AI) ಬಳಕೆಗೆ ಗೌಪ್ಯತೆ ಮತ್ತು ನೈತಿಕತೆಯ ಅತ್ಯುನ್ನತ ಗುಣಮಟ್ಟದ ಅಗತ್ಯವಿರುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ, ಆನುವಂಶಿಕ ಡೇಟಾವನ್ನು ಏಕೆ ವಿಶೇಷವಾಗಿ ರಕ್ಷಿಸಬೇಕು ಎಂಬುದನ್ನು ನೀವು ಕಲಿಯುವಿರಿ, AI ಪರಿಕರಗಳನ್ನು ಬಳಸುವಾಗ ಯಾವ ತಪ್ಪುಗಳು ಗಂಭೀರ ಪರಿಣಾಮಗಳನ್ನು ಬೀರುತ್ತವೆ ಮತ್ತು ಸುರಕ್ಷಿತ ಕೆಲಸದ ಶಿಸ್ತು.

ನಿರ್ಣಾಯಕ ತತ್ವ: ಗುರುತಿಸಬಹುದಾದ ರೋಗಿಯ ಆನುವಂಶಿಕ ಡೇಟಾವನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ AI ಸಾಧನಕ್ಕೆ ಎಂದಿಗೂ ಅಂಟಿಸಬೇಡಿ. ಅನೇಕ ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ AI ಸೇವೆಗಳು ನೀವು ನಮೂದಿಸಿದ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು, ಅದನ್ನು ಸಂಗ್ರಹಿಸಬಹುದು ಅಥವಾ ಮಾದರಿಯನ್ನು ಸುಧಾರಿಸಲು ಬಳಸಬಹುದು. ರೋಗಿಯ ಅಪರೂಪದ ರೂಪಾಂತರ ಸಂಯೋಜನೆ, ಹೆಸರು, ಗುರುತಿನ ಸಂಖ್ಯೆ ಅಥವಾ ಜನ್ಮ ದಿನಾಂಕವನ್ನು ಉಪಕರಣದಲ್ಲಿ ನಮೂದಿಸಿದಾಗ, ಗೌಪ್ಯತೆಯ ಬದಲಾಯಿಸಲಾಗದ ಉಲ್ಲಂಘನೆ ಸಂಭವಿಸಬಹುದು.

ಜೆನೆಟಿಕ್ ಡೇಟಾವನ್ನು ವಿಶೇಷ ಮಾಡುವ ಐದು ವೈಶಿಷ್ಟ್ಯಗಳು

1. ಅಸ್ಥಿರತೆ: ಜೀನೋಮ್ ಜೀವನದುದ್ದಕ್ಕೂ ಒಂದೇ ಆಗಿರುತ್ತದೆ; ಬಹಿರಂಗಪಡಿಸಿದರೆ, ಅದನ್ನು "ರದ್ದು" ಮಾಡಲಾಗುವುದಿಲ್ಲ.
2. ಗುರುತು: ಸಣ್ಣ ಸಂಖ್ಯೆಯ ಅಪರೂಪದ ರೂಪಾಂತರಗಳು ಸಹ ವ್ಯಕ್ತಿಯನ್ನು ಅನನ್ಯವಾಗಿ ಗುರುತಿಸಬಹುದು; "ಅನಾಮಧೇಯ" ಎಂದು ಭಾವಿಸಲಾದ ಡೇಟಾವನ್ನು ಮರು-ಗುರುತಿಸಬಹುದು.
3. ಕುಟುಂಬದ ಗಾತ್ರ: ವ್ಯಕ್ತಿಯ ಜೀನೋಮ್ ಅವರ ಸಂಬಂಧಿಕರ ಆನುವಂಶಿಕ ಮಾಹಿತಿಯನ್ನು ಸಹ ಒಳಗೊಂಡಿದೆ; ಅವರ ಒಪ್ಪಿಗೆಯಿಲ್ಲದೆ ಮಾಹಿತಿಯನ್ನು ಬಹಿರಂಗಪಡಿಸಬಹುದು.
4. ಭವಿಷ್ಯ: ಭವಿಷ್ಯದ ರೋಗದ ಅಪಾಯವನ್ನು ಸೂಚಿಸಬಹುದು; ಉದ್ಯೋಗ ತಾರತಮ್ಯಕ್ಕೆ ವಿಮೆ ಆಧಾರವಾಗಿರಬಹುದು.
5. ಮರು-ಗುರುತಿಸುವಿಕೆಯ ಅಪಾಯ: ಜೀನೋಮಿಕ್ ಡೇಟಾವನ್ನು ಇತರ ಡೇಟಾಬೇಸ್‌ಗಳೊಂದಿಗೆ ದಾಟುವ ಮೂಲಕ ಗುರುತಿಗೆ ಲಿಂಕ್ ಮಾಡಬಹುದು.

ಕಾನೂನು ಚೌಕಟ್ಟು: ಸಂಕ್ಷಿಪ್ತ ಅವಲೋಕನ

ಆನುವಂಶಿಕ ಡೇಟಾವು ಡೇಟಾ ರಕ್ಷಣೆ ಶಾಸನದಲ್ಲಿ ವಿಶೇಷ (ಸೂಕ್ಷ್ಮ) ವೈಯಕ್ತಿಕ ಡೇಟಾದ ವರ್ಗದಲ್ಲಿದೆ ಮತ್ತು ಹೆಚ್ಚು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ರಕ್ಷಿಸಲಾಗಿದೆ. Türkiye ನಲ್ಲಿ, KVKK (ವೈಯಕ್ತಿಕ ಡೇಟಾ ಸಂರಕ್ಷಣಾ ಕಾನೂನು) ಆರೋಗ್ಯ ಮತ್ತು ಆನುವಂಶಿಕ ಡೇಟಾವನ್ನು ವಿಶೇಷ ಡೇಟಾ ಎಂದು ಪರಿಗಣಿಸುತ್ತದೆ ಮತ್ತು ನಿಯಮದಂತೆ, ಅದರ ಸಂಸ್ಕರಣೆಯನ್ನು ಸ್ಪಷ್ಟ ಒಪ್ಪಿಗೆ ಅಥವಾ ವಿಶೇಷ ವಿನಾಯಿತಿಗಳಿಗೆ ಬಂಧಿಸುತ್ತದೆ. ಯುರೋಪ್‌ನಲ್ಲಿ, GDPR ಅದೇ ರೀತಿ ಆನುವಂಶಿಕ ಡೇಟಾವನ್ನು ವಿಶೇಷ ವರ್ಗವಾಗಿ ರಕ್ಷಿಸುತ್ತದೆ. US ನಲ್ಲಿ, GINA ಕಾನೂನು ಆನುವಂಶಿಕ ಮಾಹಿತಿಯ ಆಧಾರದ ಮೇಲೆ ವಿಮೆ ಮತ್ತು ಉದ್ಯೋಗ ತಾರತಮ್ಯವನ್ನು ನಿಷೇಧಿಸುತ್ತದೆ. ವಿವರಗಳು ದೇಶದಿಂದ ಬದಲಾಗುತ್ತಿದ್ದರೂ, ಸಾಮಾನ್ಯ ತತ್ವವು ಒಂದೇ ಆಗಿರುತ್ತದೆ: ಸ್ಪಷ್ಟವಾದ ಒಪ್ಪಿಗೆ, ಉದ್ದೇಶದ ಮಿತಿ ಮತ್ತು ಬಲವಾದ ರಕ್ಷಣೆ ಇಲ್ಲದೆ ಆನುವಂಶಿಕ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುವುದಿಲ್ಲ.

ಸಲಹೆ: ರೋಗಿಯಿಂದ ಆನುವಂಶಿಕ ಪರೀಕ್ಷೆಗೆ ಒಪ್ಪಿಗೆಯನ್ನು ಪಡೆಯುವಾಗ, AI ಪರಿಕರಗಳಿಂದ ಡೇಟಾವನ್ನು ಹೇಗೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಬಹಿರಂಗಪಡಿಸುವಿಕೆಯು ಒಳಗೊಂಡಿರಬಹುದು. "ಯಾವ ಪರಿಕರಗಳೊಂದಿಗೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗಾಗಿ ನಿಮ್ಮ ಡೇಟಾವನ್ನು ನಾವು ಎಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತೇವೆ?" ಪ್ರಶ್ನೆಗೆ ಪಾರದರ್ಶಕವಾಗಿ ಉತ್ತರಿಸುವ ಸ್ಥಿತಿಯಲ್ಲಿರಿ.

ಹಂತ ಹಂತವಾಗಿ: ರಹಸ್ಯ ಜೆನೆಟಿಕ್ ಡೇಟಾದೊಂದಿಗೆ ಸುರಕ್ಷಿತ AI ಅನ್ನು ಬಳಸುವುದು

1. ವರ್ಗೀಕರಿಸಿ. ನಿಮ್ಮಲ್ಲಿರುವ ಡೇಟಾವನ್ನು ಗುರುತಿಸಬಹುದೇ? ಇದು ಹೆಸರು, ID ಸಂಖ್ಯೆ, ದಿನಾಂಕ, ಅಪರೂಪದ ರೂಪಾಂತರದ ಸಂಯೋಜನೆಯನ್ನು ಹೊಂದಿದೆಯೇ?

2. ಅನಾಮಧೇಯಗೊಳಿಸಿ ಅಥವಾ ವರ್ಗಾಯಿಸಬೇಡಿ. ನೇರ ಗುರುತಿಸುವಿಕೆಗಳನ್ನು ತೆಗೆದುಹಾಕಿ; ಆದರೆ ನೆನಪಿಡಿ, ಆನುವಂಶಿಕ ದತ್ತಾಂಶದಲ್ಲಿನ "ಅನಾಮಧೇಯತೆ" ಸಂಪೂರ್ಣ ಭರವಸೆಯನ್ನು ನೀಡುವುದಿಲ್ಲ. ತೆರೆದ ವಾಹನದಲ್ಲಿ ವೈಯಕ್ತಿಕವಾಗಿ ಗುರುತಿಸಬಹುದಾದ ಡೇಟಾವನ್ನು ಪರಿಚಯಿಸದಿರುವುದು ಸುರಕ್ಷಿತವಾಗಿದೆ.

3. ಉಪಕರಣದ ಡೇಟಾ ನೀತಿಯನ್ನು ಓದಿ. ಕಾರ್ಪೊರೇಟ್ ಸಾಧನಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿ, ಡೇಟಾ ಸಂಸ್ಕರಣಾ ಒಪ್ಪಂದ (DPA), ಶಿಕ್ಷಣದಲ್ಲಿ ಡೇಟಾವನ್ನು ಬಳಸುವುದಿಲ್ಲ ಎಂದು ಭರವಸೆ ನೀಡಿ, ಮತ್ತು ಸ್ಥಳೀಯವಾಗಿ/ಹತ್ತಿರವಾಗಿ ಕೆಲಸ ಮಾಡುವುದು ಉತ್ತಮ.

4. ಡೇಟಾದಿಂದ ಪರಿಕಲ್ಪನಾ ಪ್ರಶ್ನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ. "ACMG PM2 ಅನ್ನು ಹೇಗೆ ಅನ್ವಯಿಸಬೇಕು?" ನೀವು AI ಪರಿಕಲ್ಪನಾ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬಹುದು; ಇದಕ್ಕಾಗಿ ಯಾವುದೇ ರೋಗಿಯ ಡೇಟಾ ಅಗತ್ಯವಿಲ್ಲ. ಅಗತ್ಯವಿದ್ದಾಗ ಮತ್ತು ಅನಾಮಧೇಯ ರೂಪದಲ್ಲಿ ಮಾತ್ರ ಡೇಟಾವನ್ನು ಬಳಸಿ.

5. ಜಾಡಿನ ಉಳಿಸಿ. ನೀವು ಯಾವ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತೀರಿ, ಯಾವ ಸಾಧನದೊಂದಿಗೆ ಮತ್ತು ಯಾವ ಉದ್ದೇಶಕ್ಕಾಗಿ ಡಾಕ್ಯುಮೆಂಟ್ ಮಾಡಿ; ಲೆಕ್ಕಪರಿಶೋಧನೆಯು ನೈತಿಕ ಮತ್ತು ಕಾನೂನು ಅವಶ್ಯಕತೆಯಾಗಿದೆ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಅಂಟಿಸಿದ ವರದಿ. ವೇಗಕ್ಕಾಗಿ, ಒಬ್ಬ ಸಹಾಯಕ ರೋಗಿಯ ಪೂರ್ಣ ಹೆಸರು ಮತ್ತು ರೂಪಾಂತರ ಪಟ್ಟಿಯನ್ನು ಹೊಂದಿರುವ ವರದಿಯನ್ನು ಸಾಮಾನ್ಯ AI ಚಾಟ್‌ಗೆ ಅಂಟಿಸಿ ಮತ್ತು "ಸಾರಾಂಶಗೊಳಿಸಿ" ಎಂದು ಹೇಳಿದರು. ಹಿರಿಯ ತಜ್ಞರು ಇದನ್ನು ಅರಿತುಕೊಂಡರು: ಹೆಸರು ಮತ್ತು ಅಪರೂಪದ ರೂಪಾಂತರವು ಒಟ್ಟಾಗಿ ರೋಗಿಯನ್ನು ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಉಪಕರಣವು ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿದೆ. ಘಟನೆಗೆ ಗೌಪ್ಯತೆ ಉಲ್ಲಂಘನೆ ಅಧಿಸೂಚನೆಯ ಅಗತ್ಯವಿದೆ. ಪಾಠ: ಸಾರಾಂಶಕ್ಕಾಗಿ ಸಹ ಯಾವುದೇ ಗುರುತಿಸುವ ಡೇಟಾವನ್ನು ವರ್ಗಾಯಿಸಲಾಗುವುದಿಲ್ಲ.

ಪ್ರಕರಣ 2 - ಕುಟುಂಬದ ಒಪ್ಪಿಗೆ. ರೋಗಿಯ ಡೇಟಾವನ್ನು ಬಳಸುವಾಗ, ಸಂಶೋಧಕರು AI ಗೆ ಹೇಳಿದರು, ರೂಪಾಂತರವು ಅವನ ಒಡಹುಟ್ಟಿದವರಲ್ಲಿಯೂ ಕಂಡುಬಂದಿದೆ. ಆದಾಗ್ಯೂ, ಸಹೋದರ ತನ್ನ ಡೇಟಾದ ಪ್ರಕ್ರಿಯೆಗೆ ಒಪ್ಪಿಗೆ ನೀಡಲಿಲ್ಲ. ಆನುವಂಶಿಕ ದತ್ತಾಂಶದ ಕೌಟುಂಬಿಕ ಅಂಶವು ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಗೌಪ್ಯತೆಯನ್ನು ಪ್ರಶ್ನಿಸುವಂತೆ ಮಾಡಿದೆ; ತನಿಖಾಧಿಕಾರಿ ಸಹೋದರನ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆದರು.

ಪ್ರಕರಣ 3 - ದೃಢೀಕರಣವನ್ನು ಪಡೆಯಲಾಗಿದೆ. ಒಂದು ಪ್ರಯೋಗಾಲಯವು ವಿಶ್ಲೇಷಣೆಗೆ ಮುಂಚಿತವಾಗಿ "ಅನಾಮಧೇಯತೆಯ ಪರಿಶೀಲನಾಪಟ್ಟಿ" ಅನ್ನು ಜಾರಿಗೊಳಿಸಿತು. ಅವರು AI ಗೆ ನೀಡುವ ಮೊದಲು ಹೆಸರುಗಳು, ID ಸಂಖ್ಯೆಗಳು ಮತ್ತು ದಿನಾಂಕಗಳನ್ನು ಹೊರತೆಗೆದರು; ಇದಲ್ಲದೆ, ರೂಪಾಂತರಗಳ ಅಪರೂಪದ ಸಂಯೋಜನೆಯು ಗುರುತನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ ಎಂದು ಅವರು ಅರಿತುಕೊಂಡರು ಮತ್ತು ಆ ಮಾದರಿಯನ್ನು ವರದಿ ಮಾಡಲಿಲ್ಲ. ಪರಿಶೀಲನಾಪಟ್ಟಿ ಇಲ್ಲದೆ, "ಅನಾಮಧೇಯ" ಎಂದು ಭಾವಿಸಲಾದ ಡೇಟಾವನ್ನು ಮರು-ಗುರುತಿಸಬಹುದಾಗಿತ್ತು.

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಅನಾಮಧೇಯತೆಯ ನಿಯಂತ್ರಣ:

ಈ ಪಠ್ಯವನ್ನು AI ಉಪಕರಣಕ್ಕೆ ಫೀಡ್ ಮಾಡುವ ಮೊದಲು, ರೋಗಿಯನ್ನು ಅಥವಾ ಅವರ ಸಂಬಂಧಿಕರನ್ನು ಗುರುತಿಸಬಹುದಾದ ಎಲ್ಲಾ ಅಂಶಗಳನ್ನು (ಹೆಸರು, ID ಸಂಖ್ಯೆ, ದಿನಾಂಕ, ವಿಳಾಸ, ಅಪರೂಪದ ರೂಪಾಂತರ ಸಂಯೋಜನೆ, ಅಪರೂಪದ ಫಿನೋಟೈಪ್) ಪಟ್ಟಿ ಮಾಡಿ. ಪ್ರತಿಯೊಂದಕ್ಕೂ, "ಬಿಟ್ಟುಬಿಡಿ" ಅಥವಾ "ಮಾದರಿಯನ್ನು ವರ್ಗಾಯಿಸಬೇಡಿ" ಎಂದು ಸೂಚಿಸಿ: [ಪಠ್ಯ].

2) ಪರಿಕಲ್ಪನಾ ಪ್ರಶ್ನೆ (ಡೇಟಾ ಇಲ್ಲದೆ):

ರೋಗಿಯ ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳದೆ, ಈ ಪರಿಕಲ್ಪನಾ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಿ: [ACMG/ವಿಧಾನಗಳ ಪ್ರಶ್ನೆ]. ಸಾಮಾನ್ಯ ಉದಾಹರಣೆಗಳನ್ನು ಬಳಸಿ; ನನಗೆ ನಿಜವಾದ ರೋಗಿಯ ಮಾಹಿತಿ ಬೇಡ.

3) ಒಪ್ಪಿಗೆ ಮತ್ತು ಪಾರದರ್ಶಕತೆ ನಿಯಂತ್ರಣ:

ಆನುವಂಶಿಕ ಪರೀಕ್ಷೆಗಾಗಿ ಮಾಹಿತಿ/ಸಮ್ಮತಿಯ ಪಠ್ಯವನ್ನು ರೂಪಿಸಲು ನನಗೆ ಸಹಾಯ ಮಾಡಿ. ಇದು ಒಳಗೊಂಡಿರಬೇಕು: ಡೇಟಾವನ್ನು ಯಾವ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುತ್ತದೆ, ಯಾವ ರೀತಿಯ ಪರಿಕರಗಳೊಂದಿಗೆ ಅದನ್ನು ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ, ಕುಟುಂಬ ಸದಸ್ಯರಿಗೆ ಸಂಬಂಧಿಸಿದ ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ, ಸಂಗ್ರಹಣೆ ಮತ್ತು ಅಳಿಸುವಿಕೆ. ಕಾನೂನು ನಿರ್ಧಾರಕ್ಕಾಗಿ ಕಾನೂನು/ನೀತಿಗಳ ಘಟಕವನ್ನು ನೋಡಿ.

4) ವಾಹನ ಆಯ್ಕೆಯ ಮಾನದಂಡಗಳು:

ಸೂಕ್ಷ್ಮ ಆನುವಂಶಿಕ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ AI/ವಿಶ್ಲೇಷಣೆಯ ಪರಿಕರವನ್ನು ಆಯ್ಕೆಮಾಡುವಾಗ ನಾನು ಯಾವ ಗೌಪ್ಯತೆ ಮಾನದಂಡಗಳನ್ನು (ಡೇಟಾ ಪ್ರಕ್ರಿಯೆ ಒಪ್ಪಂದ, ಶಿಕ್ಷಣದಲ್ಲಿ ಬಳಸದಿರುವ ಬದ್ಧತೆ, ಸ್ಥಳೀಯ ಕಾರ್ಯಾಚರಣೆ, ಪ್ರವೇಶ ನಿಯಂತ್ರಣ, ಅಳಿಸುವಿಕೆ) ಕೇಳಬೇಕು? ಮೌಲ್ಯಮಾಪನ ಪರಿಶೀಲನಾಪಟ್ಟಿಯನ್ನು ರಚಿಸಲಾಗಿದೆ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ: "Ahmet Yılmaz ನ (TC: ...) BRCA1 ಫಲಿತಾಂಶ: [ಪೂರ್ಣ ರೂಪಾಂತರ ಪಟ್ಟಿ]."

ಸಮಸ್ಯೆ: ನೇರ ಗುರುತಿಸುವಿಕೆ + ಆನುವಂಶಿಕ ಡೇಟಾ ತೆರೆದ ಸಾಧನಕ್ಕೆ ಹೋಗುತ್ತದೆ; ಗೌಪ್ಯತೆಯ ಸಂಪೂರ್ಣ ಉಲ್ಲಂಘನೆ.

Güçlü: "ಯಾರನ್ನೂ ಗುರುತಿಸದೆ, ACMG ನಲ್ಲಿ BRCA1 ನಲ್ಲಿ ಫ್ರೇಮ್‌ಶಿಫ್ಟ್ ರೂಪಾಂತರವನ್ನು ಹೇಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಸಾಮಾನ್ಯ ಉದಾಹರಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು ವಿವರಿಸಿ. ನಾನು ನಿಜವಾದ ರೋಗಿಯ ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳುವುದಿಲ್ಲ."

ಇದು ಏಕೆ ಶಕ್ತಿಯುತವಾಗಿದೆ: ಕಲಿಕೆ/ಮೌಲ್ಯಮಾಪನ ಅಗತ್ಯವನ್ನು ಪೂರೈಸಲಾಗಿದೆ, ಆದರೆ ಯಾವುದೇ ಗುರುತಿಸುವ ಡೇಟಾವನ್ನು ವರ್ಗಾಯಿಸಲಾಗುವುದಿಲ್ಲ.

ಡೇಟಾ ಪ್ರಕಾರ

ಇದು ತೆರೆದ AI ಉಪಕರಣವನ್ನು ಪ್ರವೇಶಿಸುತ್ತದೆಯೇ?

ಪರ್ಯಾಯ

ರೋಗಿಯ ಹೆಸರು/ಗುರುತಿನ ಸಂಖ್ಯೆ

ಎಂದಿಗೂ

ವರ್ಗಾವಣೆ ಇಲ್ಲ

ಅಪರೂಪದ ರೂಪಾಂತರ + ಇತಿಹಾಸ

ಎಂದಿಗೂ (ಗುರುತಿಸುವುದಿಲ್ಲ)

ಮಾದರಿಯನ್ನು ವರ್ಗಾಯಿಸಿ

ಪರಿಕಲ್ಪನೆಯ ಪ್ರಶ್ನೆ

ಹೌದು

ಸಾಮಾನ್ಯ ಉದಾಹರಣೆ

ಅನಾಮಧೇಯ, ಸಾಮಾನ್ಯ ಉದಾಹರಣೆ

ಎಚ್ಚರಿಕೆಯಿಂದ

ಎಂಟರ್‌ಪ್ರೈಸ್/ಸ್ಥಳೀಯ ಸಾಧನ

ಒಟ್ಟುಗೂಡಿದ, ಅನಾಮಧೇಯ ಅಂಕಿಅಂಶಗಳು

ಪರಿಸ್ಥಿತಿಯನ್ನು ಅವಲಂಬಿಸಿ

ಡಿಪಿಎ ಹೊಂದಿರುವ ವಾಹನ

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• "ಸಾರಾಂಶಕ್ಕಾಗಿ ಮಾತ್ರ" ಎಂದು ಗುರುತಿಸುವ ಡೇಟಾವನ್ನು ಅಂಟಿಸಲಾಗುತ್ತಿದೆ. ಉದ್ದೇಶ ಏನೇ ಇರಲಿ, ಅದು ಉಲ್ಲಂಘನೆಯಾಗಿದೆ.
• "ಅನಾಮಧೇಯಗೊಳಿಸುವಿಕೆ" ಅನ್ನು ಆನುವಂಶಿಕ ಡೇಟಾಗೆ ಸಂಪೂರ್ಣ ಭದ್ರತೆ ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಮರು ಗುರುತಿಸುವಿಕೆ ಸಾಧ್ಯ.
• ಕುಟುಂಬದ ಅಂಶವನ್ನು ಮರೆತುಬಿಡುವುದು. ವ್ಯಕ್ತಿಯ ಡೇಟಾವು ಅವರ ಸಂಬಂಧಿಕರನ್ನು ಸಹ ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ.
• ವಾಹನದ ಡೇಟಾ ನೀತಿಯನ್ನು ಓದುತ್ತಿಲ್ಲ. ಡೇಟಾವನ್ನು ತರಬೇತಿಯಲ್ಲಿ ಬಳಸಬಹುದು ಅಥವಾ ಸಂಗ್ರಹಿಸಬಹುದು.
• ದಾಖಲೆಗಳನ್ನು ಇಟ್ಟುಕೊಳ್ಳುತ್ತಿಲ್ಲ. ಯಾವುದೇ ನಿಯಂತ್ರಣವಿಲ್ಲದಿದ್ದರೆ, ಜವಾಬ್ದಾರಿಯನ್ನು ಪ್ರದರ್ಶಿಸಲಾಗುವುದಿಲ್ಲ.

ಎಚ್ಚರಿಕೆ: ಹೆಚ್ಚಿನ ಸಮಯ, ಗೌಪ್ಯತೆ ಉಲ್ಲಂಘನೆಗಳು ದುರುದ್ದೇಶಪೂರಿತ ಉದ್ದೇಶದಿಂದ ಉದ್ಭವಿಸುವುದಿಲ್ಲ, ಆದರೆ "ತ್ವರಿತವಾಗಿ ಪಡೆಯಿರಿ" ಪ್ರತಿಫಲಿತದಿಂದ. ಕ್ಯಾಶುಯಲ್ ವರ್ಕ್‌ಫ್ಲೋನಲ್ಲಿ ಚಾಟ್ ವಿಂಡೋದಲ್ಲಿ ವರದಿಯನ್ನು ಬುದ್ದಿಹೀನವಾಗಿ ಅಂಟಿಸುವುದು ದೊಡ್ಡ ಅಪಾಯವಾಗಿದೆ. ನಿಧಾನವಾಗಿ; ಜೆನೆಟಿಕ್ ಡೇಟಾದಲ್ಲಿ ರದ್ದುಗೊಳಿಸುವ ಬಟನ್ ಇಲ್ಲ.

ಆಳ: ಮರು ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಸುರಕ್ಷಿತ ವಾಸ್ತುಶಿಲ್ಪಗಳ ನೈಜ ಗಣಿತ

"ಹೆಸರನ್ನು ಅಳಿಸಿದ್ದೇನೆ, ಈಗ ಅದು ಅನಾಮಧೇಯವಾಗಿದೆ" ಎಂದು ಭಾವಿಸುವುದು ಏಕೆ ತಪ್ಪಾಗಿದೆ? ಏಕೆಂದರೆ ವ್ಯಕ್ತಿಯನ್ನು ಗುರುತಿಸಲು ಹೆಸರೇ ಬೇಕಾಗಿಲ್ಲ; ಅಪರೂಪದ ವೈಶಿಷ್ಟ್ಯಗಳ ಸಂಯೋಜನೆಯು ಸಾಕಾಗುತ್ತದೆ. ಒಂದು ಶ್ರೇಷ್ಠ ಸಂಶೋಧನೆಯ ಪ್ರಕಾರ, ಹುಟ್ಟಿದ ದಿನಾಂಕದ ಮೂವರು + ಲಿಂಗ + ಪಿನ್ ಕೋಡ್ US ಜನಸಂಖ್ಯೆಯ ಬಹುಪಾಲು ಜನರನ್ನು ಪ್ರತ್ಯೇಕಿಸಬಹುದು. ತಳಿಶಾಸ್ತ್ರದಲ್ಲಿ, ಪರಿಸ್ಥಿತಿಯು ತೀಕ್ಷ್ಣವಾಗಿದೆ: ಹಲವಾರು ಅಪರೂಪದ ರೂಪಾಂತರಗಳ ಸಂಯೋಜನೆಯು (ಪ್ರತಿಯೊಂದೂ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಸಾವಿರದಲ್ಲಿ ಒಂದರಲ್ಲಿ ಸಂಭವಿಸುತ್ತದೆ, ಒಟ್ಟಾಗಿ ಒಂದು ಮಿಲಿಯನ್‌ನಲ್ಲಿ ಒಂದಕ್ಕಿಂತ ಕಡಿಮೆ) ಒಬ್ಬ ವ್ಯಕ್ತಿಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಇದಲ್ಲದೆ, ಜೀನೋಮಿಕ್ ಡೇಟಾವನ್ನು ವಂಶಾವಳಿಯ ಡೇಟಾಬೇಸ್‌ಗಳೊಂದಿಗೆ ದಾಟಬಹುದು, ವ್ಯಕ್ತಿಯು ಬೇರೆಲ್ಲಿಯೂ ಯಾವುದೇ ಡೇಟಾವನ್ನು ಒದಗಿಸದಿದ್ದರೂ ಸಹ ಸಂಬಂಧಿಯ ಗುರುತಿಗೆ ವ್ಯಕ್ತಿಯನ್ನು ಲಿಂಕ್ ಮಾಡಬಹುದು - ಇದು ಸಾಹಿತ್ಯದಲ್ಲಿ ಪ್ರದರ್ಶಿಸಲಾದ ದಾಳಿಯ ನೈಜ ರೂಪವಾಗಿದೆ.

ಆದ್ದರಿಂದ ಸಂರಕ್ಷಣೆಗೆ "ಅಳಿಸಿ ಗುರುತಿಸುವಿಕೆಗಳು" ಪ್ರತಿಫಲಿತವನ್ನು ಮೀರಿದ ವಾಸ್ತುಶಿಲ್ಪದ ನಿರ್ಧಾರಗಳ ಅಗತ್ಯವಿದೆ. ಪ್ರಾಯೋಗಿಕ ಆಯ್ಕೆಗಳು: ಸಂಸ್ಥೆಯ ಗಡಿಯ ಹೊರಗೆ ಡೇಟಾವನ್ನು ಎಂದಿಗೂ ಬಿಡದಂತೆ ಸ್ಥಳೀಯ/ಸ್ವಯಂ ಹೋಸ್ಟ್ ಮಾಡಲಾದ ಮಾದರಿಗಳನ್ನು ಬಳಸುವುದು; ಕ್ಲೌಡ್ ಅನ್ನು ಬಳಸಿದರೆ, ಡೇಟಾ ಸಂಸ್ಕರಣಾ ಒಪ್ಪಂದ (ಡಿಪಿಎ) ಮತ್ತು "ತರಬೇತಿಯಲ್ಲಿ ಇನ್‌ಪುಟ್ ಅನ್ನು ಬಳಸಬೇಡಿ" ಎಂಬ ಬದ್ಧತೆಯೊಂದಿಗೆ ಎಂಟರ್‌ಪ್ರೈಸ್ ಶ್ರೇಣಿಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ; ಸಾಧ್ಯವಾದಾಗಲೆಲ್ಲಾ ರೋಗಿಯ-ನಿರ್ದಿಷ್ಟ ಕಚ್ಚಾ ಡೇಟಾದ ಬದಲಿಗೆ ಪಡೆದ, ಒಟ್ಟುಗೂಡಿದ ಮಾಹಿತಿಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು; ಮತ್ತು ಕನಿಷ್ಠ ಸವಲತ್ತು ತತ್ವಕ್ಕೆ ಪ್ರವೇಶವನ್ನು ಸೀಮಿತಗೊಳಿಸುವುದು.

ಕಾಂಕ್ರೀಟ್ ಕೇಸ್: ಒಂದು ಕೇಂದ್ರವು "ಅನಾಮಧೇಯ" ಕೇಸ್ ಸರಣಿಯನ್ನು ಸಾಮಾನ್ಯ AI ಸಾಧನವಾಗಿ ಸಂಕ್ಷೇಪಿಸಿದೆ. ಡೇಟಾಸೆಟ್ ಹೆಸರುಗಳನ್ನು ಹೊಂದಿಲ್ಲ, ಆದರೆ ಪ್ರತಿ ರೋಗಿಯು ಅಪರೂಪದ ರೋಗನಿರ್ಣಯ + ವಯಸ್ಸು + ನಗರದ ಸಂಯೋಜನೆಯನ್ನು ಹೊಂದಿದ್ದರು; ಸ್ಥಳೀಯ ಪತ್ರಿಕೆಯ ವರದಿಯೊಂದಿಗೆ ದಾಟಿದಾಗ, ರೋಗಿಯನ್ನು ಗುರುತಿಸಬಹುದು. ಕಚ್ಚಾ ಗುರುತಿಸುವಿಕೆಗಳ ಅನುಪಸ್ಥಿತಿಯು ಮರು-ಗುರುತಿಸುವಿಕೆಯನ್ನು ತಡೆಯಲಿಲ್ಲ.

ರಕ್ಷಣೆ ಪದರ

ಏನು ಒದಗಿಸುತ್ತದೆ

ಮಿತಿ

ಐಡೆಂಟಿಫೈಯರ್ ಅಳಿಸುವಿಕೆ

ID ಅನ್ನು ನೇರವಾಗಿ ತೆಗೆದುಹಾಕುತ್ತದೆ

ಅಪರೂಪದ ಸಂಯೋಜನೆಗಳು ಉಳಿದಿವೆ

ಸ್ಥಳೀಯ/ಸ್ವಯಂ ಹೋಸ್ಟ್ ಮಾಡಲಾದ ಮಾದರಿ

ಡೇಟಾ ಸಂಸ್ಥೆಯನ್ನು ಬಿಡುವುದಿಲ್ಲ

ಅನುಸ್ಥಾಪನ/ನಿರ್ವಹಣೆಯ ಹೊರೆ

ಶಿಕ್ಷಣದಲ್ಲಿ DPA+ ಬಳಸುವುದಿಲ್ಲ

ಕಾನೂನು/ಒಪ್ಪಂದದ ಭರವಸೆ

ನೀತಿಯನ್ನು ಓದುವುದು ಅವಶ್ಯಕ

ಒಟ್ಟುಗೂಡಿಸುವಿಕೆ/ಉತ್ಪನ್ನ

ವೈಯಕ್ತಿಕ ಗಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ

ವಿಶ್ಲೇಷಣೆಯ ಆಳವನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತದೆ

ಸಾರಾಂಶದಲ್ಲಿ

• ಜೆನೆಟಿಕ್ ಡೇಟಾವು ವಿಶೇಷ, ಬದಲಾಗದ, ಗುರುತಿಸುವ ಮತ್ತು ಕುಟುಂಬ-ಸಂಬಂಧಿತ ಡೇಟಾ; ಅತ್ಯುನ್ನತ ಗುಣಮಟ್ಟದ ರಕ್ಷಣೆಯ ಅಗತ್ಯವಿದೆ.
• ಗುರುತಿಸಬಹುದಾದ ರೋಗಿಯ ಆನುವಂಶಿಕ ಡೇಟಾವನ್ನು ಎಂದಿಗೂ ತೆರೆದ AI ಸಾಧನಗಳಲ್ಲಿ ನಮೂದಿಸಲಾಗುವುದಿಲ್ಲ; ಪರಿಕಲ್ಪನಾ ಪ್ರಶ್ನೆಗಳನ್ನು ಡೇಟಾದಿಂದ ಪ್ರತ್ಯೇಕಿಸಲಾಗಿದೆ.
• KVKK, GDPR, GINA ಯಂತಹ ಚೌಕಟ್ಟುಗಳಿಗೆ ಸ್ಪಷ್ಟವಾದ ಒಪ್ಪಿಗೆ, ಉದ್ದೇಶದ ಮಿತಿಗಳು ಮತ್ತು ಬಲವಾದ ರಕ್ಷಣೆ ಅಗತ್ಯವಿರುತ್ತದೆ.
• ಅನಾಮಧೇಯತೆಯು ಸಂಪೂರ್ಣ ಭರವಸೆಯಲ್ಲ; ಸುರಕ್ಷಿತ ವಿಷಯವೆಂದರೆ ನಿರ್ಣಾಯಕ ಡೇಟಾವನ್ನು ವರ್ಗಾಯಿಸದಿರುವುದು.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಮಾದರಿ (ಕಾಲ್ಪನಿಕ) ಜೆನೆಟಿಕ್ ವರದಿಯನ್ನು ಸ್ವೀಕರಿಸಿ. ಟೆಂಪ್ಲೇಟ್ 1 ಅನ್ನು ಬಳಸಿ, ಅದರಲ್ಲಿರುವ ಎಲ್ಲಾ ಗುರುತಿಸುವ ಅಂಶಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ "ಬಿಟ್ಟುಬಿಡಬೇಕೆ" ಅಥವಾ "ವರ್ಗಾವಣೆ ಇಲ್ಲ" ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಿ. ನಂತರ ಯಾವುದೇ ಗುರುತಿಸುವ ಡೇಟಾ ಇಲ್ಲದೆ ಅದೇ ಕ್ಲಿನಿಕಲ್ ಪ್ರಶ್ನೆಯನ್ನು ಪುನಃ ಬರೆಯಿರಿ (ಟೆಂಪ್ಲೇಟ್ 2 ತರ್ಕವನ್ನು ಬಳಸಿ). ಒಂದೇ ವಾಕ್ಯದಲ್ಲಿ ಎರಡು ಆವೃತ್ತಿಗಳ ನಡುವಿನ ಗೌಪ್ಯತೆಯ ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಗುರುತಿನ ವಿಷಯದಲ್ಲಿ ಡೇಟಾವನ್ನು ವರ್ಗೀಕರಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ವೈಯಕ್ತಿಕವಾಗಿ ಗುರುತಿಸಬಹುದಾದ ಡೇಟಾವನ್ನು ತೆರೆದ ಉಪಕರಣದಲ್ಲಿ ಪರಿಚಯಿಸಲಿಲ್ಲ.
• [ ] ಅಪರೂಪದ ರೂಪಾಂತರಗಳ ಸಂಯೋಜನೆಯನ್ನು ಗುರುತಿಸಬಹುದೆಂದು ನಾನು ಗಮನಿಸಿದೆ.
• [ ] ನಾನು ಉಪಕರಣದ ಡೇಟಾ ನೀತಿಯನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ (ಧಾರಣ, ತರಬೇತಿ, DPA).
• [ ] ನಾನು ಕುಟುಂಬದ ಅಂಶ ಮತ್ತು ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಒಪ್ಪಿಗೆಯನ್ನು ಪರಿಗಣಿಸಿದೆ.
• [ ] ನಾನು ವಹಿವಾಟಿನ ಹಾದಿಯನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಿದ್ದೇನೆ ಮತ್ತು ಅಗತ್ಯವಿದ್ದಾಗ ಅದನ್ನು ನೈತಿಕತೆ/ಕಾನೂನು ಘಟಕಕ್ಕೆ ಫಾರ್ವರ್ಡ್ ಮಾಡಿದ್ದೇನೆ.