Keuntungan:
- Keupayaan untuk membezakan data yang menjadikan wanita hamil secara langsung atau tidak dapat dikenal pasti dan menyahkenal pastinya sebelum memberikannya kepada kecerdasan buatan
- Keupayaan untuk menggunakan pengecilan data dan memperoleh tabiat menggunakan hanya alat yang diluluskan oleh institusi dalam rangka kerja KVKK
- 'Bolehkah orang ini ditemui daripada teks ini?' Keupayaan untuk menguruskan risiko pengenalan semula dengan menggunakan ujian
Perbidanan ialah profesion yang menyentuh maklumat orang yang paling peribadi: bagaimana kehamilan berlaku, kehamilan lampau, keguguran, kehilangan, perhubungan, keadaan mental, kesihatan seksual. Apabila maklumat ini jatuh ke tangan yang salah, ia menyebabkan kemudaratan yang tidak dapat dipulihkan - krisis domestik, stigma sosial, kehilangan kepercayaan. Oleh itu, kerahsiaan bukanlah "peraturan tambahan" dalam perbidanan, tetapi asas profesion. Sebaik sahaja anda memperkenalkan AI ke dalam perniagaan anda, sempadan privasi baharu akan terbuka: apa sahaja yang anda taip ke dalam pembantu sembang mungkin berada di luar kawalan anda. Unit ini mengajar anda dari hujung ke hujung cara melindungi data hamil apabila menggunakan AI — terutamanya dalam rangka kerja KVKK (Undang-undang Perlindungan Data Peribadi; undang-undang yang mengawal selia pemprosesan data peribadi di Türkiye).
Prinsip asasnya adalah dalam satu ayat: Sebarang maklumat yang membuat wanita hamil dikenali tidak boleh dimasukkan ke dalam alat kecerdasan buatan. Mempelajari peraturan ini lebih diutamakan daripada semua kemahiran lain dalam modul; Kerana data yang pernah bocor tidak boleh diambil semula.
Perhatian: Teks yang anda taip ke dalam alat AI pergi ke pelayan perkhidmatan itu; boleh disimpan, diproses, dan dalam beberapa kes digunakan untuk latihan model. Menyebut "Saya hanya mahukan ringkasan" tidak mengembalikan data. Satu-satunya cara yang selamat adalah dengan tidak menaip bukti kelayakan pada mulanya.
Apakah data peribadi, maklumat apakah yang menjadikannya boleh dikenal pasti?
Data peribadi ialah sebarang maklumat yang menjadikan seseorang secara langsung atau tidak langsung boleh dikenal pasti. Dalam perbidanan, ini terutamanya dalam kategori khas (seperti data kesihatan, yang menerima perlindungan tertinggi dalam undang-undang). Pertimbangkan maklumat yang memberikan pengiktirafan dalam dua kumpulan:
Pengecam langsung: Nama keluarga, nombor ID TR, nombor fail/protokol, telefon, alamat, e-mel, tarikh lahir, akaun media sosial, foto.
Deskriptor tidak langsung (digabungkan untuk menjadikannya dikenali): "Satu-satunya kehamilan tiga kali ganda di kawasan kejiranan itu", "satu-satunya berusia 44 tahun dalam institusi dengan kehamilan pertamanya", penyakit yang jarang berlaku + penempatan kecil, tempat kerja + usia kehamilan. Beberapa butiran yang kelihatan tidak bersalah dengan sendirinya boleh menunjuk kepada seseorang apabila dibawa bersama. Ini dipanggil risiko pengenalan semula.
Nyahpengenalpastian ialah proses mengalih keluar pengecam ini daripada teks. Penyahkenalan yang dilakukan dengan baik akan mengosongkan pengecam langsung dan tidak langsung.
Langkah demi langkah: Nyah pengenalan sebelum memberikan data kepada AI
- Padamkan pengecam langsung: Nama, ID, nombor telefon, nombor fail, alamat, tarikh — alih keluar semuanya. Gantikannya dengan generalisasi seperti "Hamil A", "sekitar umur 38", "trimester kedua".
- Kaburkan petunjuk tidak langsung: Tukar umur tepat ke dalam julat (mis. "awal 40-an"), lokasi tepat ke rantau, kombinasi jarang menjadi umum.
- Buang perincian yang tidak perlu: Berikan maklumat minimum yang diperlukan untuk AI melakukan tugasnya (pengurangan data). Sejarah wanita hamil tidak perlu menulis kad penyusuan.
- Semak dasar institusi: Sesetengah institusi mentakrifkan alatan AI yang diluluskan/institusi; boleh melarang memasukkan data pesakit ke dalam alat peribadi/percuma. Ikut peraturan institusi anda.
- Bacaan akhir: Sebelum menghantar gesaan "bolehkah orang ini ditemui daripada teks ini?" Baca sekali lagi.
Yang paling sukar daripada lima langkah ini ialah yang kedua—petunjuk tidak langsung yang mengaburkan—kerana memadamkan pengecam langsung adalah mudah dan terlintas di fikiran terlebih dahulu, tetapi kebanyakan pengecaman sebenarnya datang daripada gabungan butiran tidak langsung. Gabungan profesion, umur, tempat tinggal, dan keadaan yang jarang berlaku boleh mengurangkan seseorang menjadi seorang, walaupun tiada nama disebut. Oleh itu, nyah pengenalan tidak seharusnya dianggap sebagai "memadamkan nama" tetapi sebagai "memastikan tiada sesiapa yang membaca teks ini dapat meneka orang itu." Rangka kerja mental ini secara radikal mengurangkan risiko pengenalan semula.
Petunjuk: Ujian yang bagus: Jika anda menunjukkan teks yang tidak dikenal pasti kepada rakan sekerja yang mengenali wanita hamil itu, adakah dia akan berkata "ini si fulan"? Kalau dia boleh cakap macam tu, maknanya awak belum cukup kenal pasti dia.
tiga kes mini
Kes 1 — Pengiktirafan tidak langsung: Apabila meminta AI untuk ringkasan sejarah, bidan meninggalkan ID tetapi meninggalkan frasa "satu-satunya kehamilan empat kali ganda di bandar kami." Ayat tunggal ini terus menunjuk kepada orang di tempat kecil itu. Rakan sekerjanya menyedari dan memberi amaran; Bidan menyamaratakan ungkapan sebagai "kehamilan berganda". Pengajaran: pengecam tidak langsung sama berbahayanya dengan pengecam langsung.
Kes 2 — Pengurangan data: Bidan kedua lazimnya menampal keseluruhan fail wanita hamil ke dalam AI dan bukannya hanya mencetak risalah "pemakanan kehamilan". Ia tetap: tiada data peribadi diperlukan untuk brosur. Dia mengambil brosur tanpa menyerahkan fail, hanya menulis subjek. Data yang paling selamat ialah data yang tidak pernah dikongsi.
Kes 3 — Alat yang salah: Dalam contoh ketiga, seorang bidan akan menaip maklumat pesakit ke dalam aplikasi rawak pada telefon peribadinya apabila dia mengingati dasar institusi: data pesakit hanya boleh diproses tidak dikenal pasti dan menggunakan alat yang diluluskan oleh institusi. Tidak menggunakan apl peribadi. Kebocoran data selalunya timbul daripada saat "kemudahan" dan bukan daripada kesilapan teknikal.
Templat yang boleh disalin
Peranan: Anda adalah pembantu kawalan nyahpengenalan.Tugas: Tandai setiap ungkapan dalam teks di bawah yang boleh secara LANGSUNG atau TIDAK LANGSUNG mengenal pasti seseorang:- Langsung: nama, ID, telefon, alamat, nombor fail, tarikh tepat, foto.- Tidak langsung: gabungan jarang, tempat kecil + situasi istimewa, umur tepat, tempat kerja, kualiti unik/unik. Cadangkan penteksatan yang lebih selamat untuk setiap teks.
Peranan: Anda adalah perunding pengecilan data.Tugas: Saya mahu melakukan kerja ini: [kerja]. Apakah maklumat minimum yang saya MESTI berikan kepada ANDA untuk melakukan ini? Tandakan maklumat pesakit yang tidak diperlukan sebagai "[JANGAN BERIKAN]".
Peranan: Anda adalah pembantu ringkasan yang selamat. Tugas: Ringkaskan cerita DIDENTIFIED di bawah. Jika anda melihat maklumat pengenalan dalam teks, jangan ringkaskan; sebaliknya tulis "Saya telah mengesan bukti kelayakan, sila kosongkan dan hantar semula." Cerita: [cerita]
Senarai semak peringatan dasar institusi (tanya diri sendiri):- Adakah alat ini diluluskan oleh institusi saya?- Adakah terdapat sebarang maklumat yang boleh dikenal pasti secara peribadi dalam data yang saya masukkan?- Adakah maklumat ini benar-benar diperlukan untuk kerja ini?- Bolehkah seseorang yang saya kenali mencari orang itu jika mereka membaca teks?- Adakah saya akan menambah maklumat pengenalan semasa menyimpan output?
Gesaan lemah / Gesaan kuat
Lemah: "Ayşe Y., 39, kehamilan ketiga, di hospital berikut, nombor fail 4412; ringkaskan sejarahnya."
Gesaan ini penuh dengan pengecam langsung; Data peribadi telah dibocorkan sebaik sahaja ia dihantar.
kuat:
Peranan: pembantu ringkasan selamat. Ringkaskan sejarah tanpa nama berikut. "Hamil A, lewat 30-an, kehamilan ketiga, [butiran perubatan berkaitan tanpa nama]." Jika anda melihat maklumat mengenal pasti dalam teks, jangan ringkaskan, beri amaran.
Perbezaan: Tiada pengecam langsung/tidak langsung dalam versi kuat; hanya ada konteks tanpa identiti yang diperlukan untuk melakukan kerja itu. Keselamatan bermula sebelum gesaan ditulis.
Apa yang perlu dikongsi dan apa yang tidak boleh dikongsi
Jenis maklumat
Adakah ia jatuh ke dalam AI?
alternatif
Nama, ID TR, telefon, alamat, nombor fail
tidak pernah
"Hamil A"
Umur tepat / tarikh tepat
tidak
Julat umur/trimester
Gabungan tempat jarang + kecil
tidak
membuat generalisasi
Konteks perubatan am (tanpa nama)
Ya, jika perlu
Gunakan pengecilan data
Foto/imej
Tidak (muka/tanda)
tidak perlu
Kenderaan tidak diluluskan oleh institusi
Tiada data pesakit
Kenderaan yang diluluskan
Kesilapan biasa
- Hanya memadamkan nama dan meninggalkan petunjuk tidak langsung: Risiko pengecaman semula kekal.
- Menampal keseluruhan fail untuk "kemudahan": Melanggar prinsip pengecilan data.
- Memasukkan data pesakit ke dalam peranti peribadi/tidak diluluskan: Ia mungkin bertentangan dengan dasar institusi dan KVKK.
- Berkongsi foto/tangkapan skrin: Wajah, nama dan nombor fail dalam imej boleh kekal sulit.
- Menambah ID semasa menyimpan output: Menambah ID pada output yang datang tanpa ID membawa risiko kembali.
- Dengan mengandaikan "ia akan dipadamkan pula": Anda tidak tahu apakah data itu; Satu-satunya jaminan adalah untuk tidak menghantar apa-apa sama sekali.
Secara ringkasnya
Apabila menggunakan kecerdasan buatan, privasi adalah prasyarat, bukan teknikal. Sebarang maklumat yang menjadikan wanita hamil secara langsung (nama, ID, telefon) atau secara tidak langsung (gabungan jarang + lokasi kecil) dikenali tidak seharusnya memasukkan alat AI. Amalkan pengecilan data — berikan maklumat minimum yang diperlukan untuk melakukan kerja — dan gunakan hanya alatan yang diluluskan oleh organisasi anda. Tanpa menghantar gesaan "bolehkah orang ini ditemui daripada teks ini?" buat ujian. Setelah bocor, data tidak boleh diambil semula; Oleh itu, keselamatan bermula sebelum gesaan ditulis.
Tugasan permohonan
Ambil sejarah kehamilan sebenar (di atas kertas) dan bersihkan teks langkah demi langkah menggunakan templat penyahidentifikasian: pertama pengecam langsung, kemudian pengecam tidak langsung. Tunjukkan teks yang telah dikosongkan kepada rakan sekerja dan tanya "siapakah ini?" bertanya; Jika anda boleh mengenalinya, umumkan lagi. Cari juga dasar AI/data institusi anda sendiri, ringkaskannya dalam satu ayat dan perhatikan alat yang diluluskan.
senarai semak
- [ ] Saya mengalih keluar semua pengecam langsung (nama, ID, telefon, alamat, nombor fail).
- [ ] Saya umumkan deskriptor tidak langsung (gabungan jarang berlaku, lokasi kecil, umur tepat).
- [ ] Saya hanya memberikan maklumat minimum yang diperlukan untuk melakukan kerja.
- [ ] Saya hanya menggunakan alat yang diluluskan oleh institusi saya.
- [ ] "Bolehkah orang ini ditemui daripada teks ini?" Saya melakukan ujian.
- [ ] Saya tidak menambah sebarang bukti kelayakan pada output selepas itu.