Mga nadagdag:
- Kakayahang tukuyin ang data ng pasyente bilang espesyal na personal na data at mga obligasyon sa ilalim ng KVKK
- Kakayahang ipatupad ang anonymization ng konteksto, pagliit ng data, at pagpili ng tool na sumusunod sa kumpanya/patakaran
- Pag-unawa sa mga klinikal, legal at etikal na kahihinatnan ng isang paglabag sa data at ang chain ng pag-iwas
Ang data ng pasyente ay ang pinakakilalang impormasyon ng isang tao: ang kanilang mga sakit, genetic na katangian, kalusugan ng isip, pagkagumon, sekswal na kalusugan. Sa Türkiye, ang Batas sa Proteksyon ng Personal na Data Blg. 6698 (KVKK) ay tumutukoy sa data ng kalusugan bilang espesyal na personal na data; Sa madaling salita, nagbibigay ito ng pinakamataas na antas ng proteksyon. Ang walang ingat na paglalagay ng data na ito sa isang tool na artificial intelligence (AI) ay nakompromiso ang parehong privacy ng pasyente at legal na pananagutan. Sa unit na ito, matututunan mo kung paano protektahan ang data ng pasyente kapag nagtatrabaho sa AI, pag-anonymize at pagliit ng data, pagpili ng mga ligtas na tool, at ang mga kahihinatnan ng isang paglabag. Pangunahing prinsipyo: Huwag magbigay ng hindi kinakailangang data; anonymize kung ano ang iyong ibinigay; gumamit lamang ng naaangkop, mga tool na sumusunod sa patakaran.
Bakit pribado ang data ng kalusugan?
Ayon sa KVKK, ang personal na data ay anumang impormasyong pagmamay-ari ng isang kinilala o makikilalang natural na tao. Ang data ng kalusugan, sa kabilang banda, ay "espesyal na katangian": ang pagproseso nito, bilang panuntunan, ay nangangailangan ng tahasang pahintulot o mga espesyal na pangyayari na pinahihintulutan ng batas, at ang mas mahigpit na mga hakbang sa seguridad ay mahalaga. Kahit na ang isang pasyente ay walang pangalan; Kapag ang isang bihirang sakit, isang tiyak na kasaysayan, isang institusyon at isang edad ay pinagsama, ang isang tao ay maaaring muling tukuyin. Iyon ang dahilan kung bakit ang ideya ng "Binura ko ang pangalan, ligtas ako" ay nakaliligaw; Ang mga hindi direktang pagkakakilanlan ay nagdudulot din ng mga panganib.
Pansin: Ang pagpasok ng data ng kalusugan sa isang serbisyo ng AI na gumagamit ng data para sa pagsasanay ng modelo o kung saan ang mga server/patakaran ay hindi malinaw ay isang paglabag sa KVKK kung walang tahasang pahintulot at naaangkop na pag-iingat. Ang responsibilidad ay nakasalalay sa manggagamot at sa institusyon; "Hindi ko alam" ay hindi isang pagtatanggol.
Tatlong pangunahing depensa
1. Pag-minimize ng data. Magbigay lamang ng impormasyong talagang kailangan para sa gawain. Hindi na kailangan ang pangalan, ID o address ng pasyente upang gawing simple ang wika ng isang epicrisis.
2. Anonymization. Alisin o palitan ang mga direktang identifier (pangalan, apelyido, ID, numero ng file, telepono, address, petsa) ng label. I-generalize din ang mga hindi direktang identifier (bihirang diagnosis + institusyon + petsa).
3. Ligtas na pagpili ng sasakyan. Pumili ng mga tool na nakakontrata, corporate at KVKK na sumusunod na ginagarantiyahan na ang data ay hindi gagamitin sa edukasyon. Basahin ang patakaran sa privacy: saan nakaimbak ang data, gaano katagal ito itinatago, sino ang may access?
Hakbang-hakbang: Paggamit ng AI na sumusunod sa KVKK
- Kailangan ba ang data na ito? Huwag kailanman ibigay ang hindi kailangan.
- anonymize. I-clear ang direkta at hindi direktang mga identifier.
- I-verify ang tool. Patakaran, pagpapanatili, pang-edukasyon na paggamit, lokasyon ng server.
- Kailangan ba ng tahasang pahintulot? Kung kinakailangan, isagawa ang proseso ayon sa pamamaraan ng institusyon.
- Panatilihin din ang output. Mayroon bang pagtagas ng pagkakakilanlan sa output ng AI?
- Bakas at pulitika. Sumunod sa rekord ng pagpoproseso ng data ng kumpanya.
tatlong mini case
Kaso 1 — Napigilan ang paglabag. Nais ng isang katulong na ibuod ang isang kawili-wiling kaso sa AI para sa pagtatanghal. Una, kinukuha nito ang pangalan, ID, numero ng file at petsa mula sa teksto, ginagawang pangkalahatan ang institusyon at pumipili ng tool na inaprubahan ng institusyon na hindi gumagamit ng data sa edukasyon. Kaya, pareho nitong pinapabilis ang trabaho nito at pinoprotektahan ang privacy.
Kaso 2 — Panganib ng hindi direktang pagkakakilanlan. Ipinasok ng isang manggagamot ang pariralang "Ang tanging pasyente ng pediatric oncology sa county X" sa AI. Walang pangalan, ngunit ang paglalarawang ito ay tumuturo sa isang solong bata; maaaring muling tukuyin. Ayon sa kanyang kasamahan, ang doktor ay nagsa-generalize ng pahayag ("isang kaso ng pediatric oncology") at inaalis ang panganib.
Case 3 — Maling tool. Gumagamit ang isang klinika ng libreng tool upang tumugon sa mga mensahe ng pasyente nang hindi binabasa ang patakaran sa privacy; Nang maglaon ay naging malinaw na ginamit ng tool ang data sa pagsasanay. Ang institusyon ay huminto sa sasakyan, nirepaso ang proseso at lumipat sa isang KVKK-compliant na solusyon. Ang pagbabasa ng patakaran nang maaga ay maiiwasan ang panganib na ito sa unang lugar.
Talaan ng mga uri ng identifier
Genre
halimbawa
gagawin
Direktang identifier
Pangalan, TR ID, numero ng file, telepono
Alisin/tag
semi-naglalarawan
Buong petsa ng kapanganakan, buong address
I-generalize (taon, distrito)
hindi direktang identifier
Bihirang diagnosis + institusyon + kasaysayan
I-generalize ang konteksto
libreng text
Pangalan/pangyayari na binanggit sa tala
I-scan at linisin
Paglabas ng output
Pagkakakilanlan sa text na binuo ng AI
Suriin din ang output
Apat na maaaring kopyahin na mga template
Gawain: Hanapin at ikategorya ang LAHAT ng personal/health identifier sa text sa ibaba: direkta (pangalan, ID, file number, telepono, address), semi (buong petsa), hindi direkta (bihirang diagnosis + institusyon + petsa). Palitan ang bawat isa ng [LABEL], pinapanatili ang klinikal na kahalagahan. Teksto: [...]
Gawain: Suriin ang panganib ng RED IDENTIFICATION ng buod ng kaso na ito. Anong kumbinasyon ng impormasyon ang maaaring ituro sa tao? Anong mga pahayag ang dapat kong gawing pangkalahatan upang mabawasan ang panganib? Buod: [...]
Gawain: Gumawa ng checklist para masuri ko ang patakaran sa privacy ng isang AI tool: ang data ba ay ginagamit sa pagsasanay, gaano karami ang nakaimbak, nasaan ang server, sino ang nag-a-access nito, mayroon bang KVKK/data processor agreement?
Gawain: I-scan at i-flag ang sumusunod na AI OUTPUT para sa anumang pagtukoy o muling pagkilala sa impormasyon na maaaring taglay nito. Kung may mga tagas, magmungkahi ng nalinis na bersyon. Output: [...]
Mahinang prompt / Malakas na prompt
Mahina: "Ahmet Yılmaz, TC 123..., file 456, X Hospital, buod ng epicrisis ng pasyente na naospital na may sumusunod na diagnosis."
Güçlü: "Pasimplehin ang isang anonymous na buod ng kaso: Lalaking nasa edad 60, naospital sa isang internal medicine ward, [DIAGNOSIS], [TREATMENT]. Hindi ibinigay ang pangalan, ID, numero ng file, institusyon at buong petsa. Huwag maglabas ng anumang impormasyong nagpapakilala sa printout."
Sa malakas na prompt, ang data ay pinaliit at hindi nagpapakilala; parehong protektado ang privacy at output.
Mga karaniwang pagkakamali
- Iniisip na "Binura ko ang pangalan, ligtas ako". Inilalarawan din ng mga hindi direktang identifier.
- Pagbibigay ng hindi kinakailangang datos. Ang impormasyon na hindi kinakailangan para sa gawain ay hindi dapat ipasok sa lahat.
- Hindi nagbabasa ng patakaran. Dapat malaman kung ginagamit ng tool ang data sa pagsasanay.
- Hindi kinokontrol ang output. Maaari ding ma-leak ang pagkakakilanlan sa output ng AI.
- Paglampas sa pahintulot. Ang tahasang pagpayag at pamamaraan ay hindi dapat pabayaan kung kinakailangan.
Kung nilabag: mga susunod na link sa chain
Ang anonymization at pagpili ng tool ay preemptive defenses; Pero kung may violation, dapat alamin ng maaga kung ano ang gagawin. Ang KVKK ay nagpapataw ng ilang obligasyon sa data controller: upang suriin ang paglabag nang walang pagkaantala kung may napansin na paglabag, upang ipaalam sa mga may-katuturang tao at, kung kinakailangan, ang Personal Data Protection Board, upang limitahan ang pinsala. Sa klinikal na kapaligiran, ito ay nangangailangan ng institusyon, hindi isang manggagamot, upang patakbuhin ang proseso bilang ang data controller.
Ang mahalagang bagay sa pagsasanay ay hindi itago o i-minimize ang paglabag. Ang saloobin ng "wala pa rin itong pangalan" o "walang nakakapansin" ay higit na nagpapahina sa parehong legal na panganib at tiwala ng pasyente. Ang tamang reflex ay agad na iulat ang insidente sa nauugnay na unit ng institusyon (data controller/compliance), idokumento kung saan pupunta ang data, at gawin ang pagwawasto para maiwasan ang pag-ulit. Ang paglabag ay isa ring pagkakataon sa pag-aaral na nagpapakita ng mahinang link ng system: anong hakbang ang nilaktawan, anong panuntunan ang nawawala?
Babala: Ang pagtatago ng paglabag sa privacy ay maaaring magkaroon ng mas matinding kahihinatnan kaysa sa mismong paglabag. Ang malinaw na pag-uulat at mabilis na remediation ay ang tamang paraan, parehong legal at etikal.
Sa buod
Ang data ng pasyente ay espesyal na personal na data sa ilalim ng KVKK at nangangailangan ng pinakamataas na proteksyon. Maglapat ng tatlong depensa kapag nagtatrabaho sa AI: huwag magbigay ng data na hindi kailangan (pag-minimize), i-anonymize ang ibinibigay mo (direkta at hindi direktang mga pagkakakilanlan), pumili lamang ng mga tool na sumusunod sa patakaran at hindi gumagamit ng data para sa pagsasanay. Suriin din ang output para sa mga tagas. Ang mga kahihinatnan ng paglabag ay malubha sa klinikal, legal at etikal; Ang responsibilidad ay nakasalalay sa manggagamot at sa institusyon.
Gawain ng aplikasyon
Suriin ang patakaran sa privacy ng isang AI tool na ginagamit mo sa iyong sarili sa checklist sa itaas: ang data ba ay ginagamit sa pagsasanay, kung magkano ang nakaimbak, nasaan ang server? Pagkatapos ay i-anonymize ang isang totoong case text (gamit ang iyong sariling kamay); Hanapin at i-clear ang bawat isa sa mga direktang, semi, at hindi direktang pagkakakilanlan. Isaalang-alang kung may nananatiling panganib ng muling pagkakakilanlan.
checklist
- [ ] Hindi ako nagbigay ng hindi kinakailangang data para sa gawain.
- [ ] Inalis/na-tag ko ang mga direktang identifier.
- [ ] Nag-generalize ako ng mga semi- at indirect identifier.
- [ ] Nasuri ko ang panganib ng muling pagkakakilanlan.
- [ ] Nabasa ko ang patakaran sa privacy ng tool at na-verify ang pagiging angkop nito.
- [ ] Sinuri ko ang output ng AI para sa pagtagas ng pagkakakilanlan.
- [ ] Nag-apply ako ng tahasang pahintulot at pamamaraan ng institusyon kung kinakailangan.