收益：
- 能够区分使孕妇直接或间接可识别的数据，并在将其交给人工智能之前对其进行去识别处理
- 能够应用数据最小化并养成在 KVKK 框架内仅使用机构批准的工具的习惯
- “从这段文字中可以找到这个人吗？”能够通过应用测试来管理重新识别的风险
助产士是一个涉及人们最私人信息的职业：怀孕如何发生、过去怀孕、流产、流产、人际关系、精神状态、性健康。当这些信息落入坏人之手时，就会造成不可逆转的伤害——国内危机、社会耻辱、失去信任。因此，保密并不是助产行业的“附加规则”，而是这个职业的基础。一旦将人工智能引入您的业务，隐私的新领域就会打开：您在聊天助手中输入的任何内容都可能超出您的控制。本单元端到端地教您如何在使用人工智能时保护怀孕数据，特别是在 KVKK（个人数据保护法；土耳其规范个人数据处理的法律）的框架内。
基本原则就是一句话：任何能让孕妇被识别的信息都不应该进入人工智能工具。学习此规则优先于模块中的所有其他技能；因为一旦泄露的数据就无法找回。
注意：您在人工智能工具中输入的文本将发送到该服务的服务器；可以被存储、处理，并且在某些情况下用于模型训练。说“我只是想要一个摘要”不会返回数据。唯一安全的方法是从一开始就不要输入凭据。
什么是个人数据，哪些信息使其可识别？
个人数据是指可以直接或间接识别个人身份的任何信息。在助产领域，这些尤其属于特殊类别（例如健康数据，受到法律的最高保护）。考虑提供两组认可的信息：
直接标识符：姓名、TR ID 号、文件/协议号、电话、地址、电子邮件、出生日期、社交媒体帐户、照片。
间接描述词（组合起来使其可识别）：“该社区唯一的三胞胎怀孕”、“机构中唯一第一次怀孕的44岁女性”、罕见疾病+小定居点、工作场所+孕龄。一些单独看来无伤大雅的细节放在一起时却能指出一个人。这称为重新识别风险。
去识别化是从文本中删除这些标识符的过程。做得好的去身份识别可以清除直接和间接标识符。
一步一步：在将数据提供给人工智能之前进行去识别化
- 删除直接标识符：姓名、ID、电话号码、文件号、地址、日期——全部删除。将其替换为“怀孕 A”、“38 岁左右”、“中期妊娠”等笼统说法。
- 模糊间接线索：将准确的年龄转化为范围（例如“40岁出头”），将精确的位置转化为区域，将罕见的组合转化为一般。
- 丢弃不必要的细节：提供人工智能完成其工作所需的最少信息（数据最小化）。写母乳喂养卡不需要孕妇的病史。
- 检查机构政策：一些机构定义了批准/机构的人工智能工具；可能禁止将患者数据输入个人/免费工具。遵守您所在机构的规则。
- 终读：在发送提示“从这段文字中可以找到这个人吗？”之前再读一遍。
这五个步骤中最困难的是第二步——模糊间接线索——因为删除直接标识符很容易并且首先想到，但大多数识别实际上来自于间接细节的组合。职业、年龄、居住地和罕见状况的结合可以将一个人简化为一个人，即使没有提到名字。因此，去身份化不应被视为“删除名字”，而应被视为“确保阅读本文的人无法猜出此人”。这种心理框架从根本上降低了重新识别的风险。
提示：一个很好的测试：如果你把去识别化的文本展示给认识那位孕妇的同事，她会说“这是某某”吗？如果他能这么说，说明你还没有足够地去辨识他。
三个迷你箱子
案例1——间接识别：助产士在向人工智能询问历史摘要时，省略了ID，只留下了“我们镇上唯一的四胞胎怀孕”这句话。这一句话，直接指向了那个小地方的人。他的同事注意到并警告他；助产士将这种表述概括为“多胎妊娠”。教训：间接标识符与直接标识符一样危险。
案例2——数据最小化：第二位助产士习惯性地将孕妇的整个文件粘贴到AI中，而不是仅仅打印出一本“怀孕营养”手册。事实是：宣传册不需要个人数据。他接过小册子，没有交出文件，只是写下了主题。最安全的数据是从不共享的数据。
案例 3 — 错误的工具：在第三个示例中，助产士正要在个人手机上的随机应用程序中输入患者信息，这时她想起了机构政策：患者数据只能使用机构批准的工具进行去识别化处理。不使用个人应用程序。数据泄露往往是由于这样的“方便”时刻而引起的，而不是由于技术错误而引起的。
可复制模板
角色：你是去识别控制助理。任务：标记下面文本中每个可以直接或间接识别一个人的表达方式：- 直接：姓名、身份证、电话、地址、文件号、确切日期、照片。- 间接：罕见组合、小地方+特殊情况、确切年龄、工作场所、独特/独特品质。为每个表达提出更安全的概括。文本：[文本]
角色：您是一名数据最小化顾问。任务：我想做这份工作：[工作]。为了做到这一点，我必须向您提供的最少信息是什么？将不需要的患者信息标记为“[不提供]”。
角色：您是安全摘要助理。任务：总结下面的 DIDIDENTIFIED 故事。如果你在文中看到识别信息，不要总结；而是写“我检测到凭据，请清除并重新发送。”故事：[故事]
机构政策提醒清单（问问自己）：- 此工具是否得到我的机构批准？- 我输入的数据中是否有任何个人身份信息？- 这项工作是否真的需要此信息？- 我认识的人如果阅读文本可以找到此人吗？- 保存输出时我会添加身份信息吗？
弱提示/强提示
弱：“Ayşe Y.，39 岁，第三次怀孕，在以下医院，档案号 4412；总结一下她的病史。”
这个提示充满了直接标识符；私人数据一发出就被泄露。
强：
作用：安全汇总助手。总结以下匿名历史。 “怀孕的A，30多岁，第三次怀孕，[相关医疗细节匿名]。”如果您在文本中看到识别信息，请勿总结，警告。
区别：强版本没有直接/间接标识符；只需要完成这项工作所需的无身份上下文即可。安全性在写入提示之前启动。
什么可以分享，什么不可以分享
信息类型
它属于人工智能吗？
另类
姓名、TR ID、电话、地址、档案号
从不
《怀孕的A》
确切年龄/确切日期
不
年龄范围/三个月
稀有+小地方组合
不
概括
一般医学背景（匿名）
是的，如果需要的话
应用数据最小化
照片/图像
否（脸部/标志）
没有必要
车辆未经机构批准
无患者数据
认可车辆
常见错误
- 只是删除名字并留下间接线索：重新识别的风险仍然存在。
- 为了“方便”而粘贴整个文件：违反了数据最小化原则。
- 将患者数据输入个人/未经批准的设备：这可能违反机构政策和 KVKK。
- 共享照片/屏幕截图：图像中的脸部、姓名和文件编号可以保密。
- 在保存输出时添加 ID：向没有 ID 的输出添加 ID 会带来风险。
- 假设“无论如何它都会被删除”：你不知道数据是什么；唯一的保证就是根本不发送任何东西。
总之
使用人工智能时，隐私是先决条件，而不是技术细节。任何能够直接（姓名、身份证、电话）或间接（罕见组合+小位置）识别孕妇的信息都不应该进入人工智能工具。实践数据最小化——提供完成工作所需的最少信息——并仅使用组织批准的工具。不发送提示“从这段文字中可以找到这个人吗？”做测试。一旦泄露，数据无法找回；因此，安全性在写入提示之前就开始了。
应用任务
获取真实的怀孕史（在纸上），并使用去识别模板逐步清除文本：首先是直接标识符，然后是间接标识符。将清除的文本展示给同事并询问“这可能是谁？”问;如果你能认出它，就进一步概括它。还要找到您自己机构的人工智能/数据政策，用一句话概括它，并记下哪些工具获得批准。
清单
- [ ] 我删除了所有直接标识符（姓名、ID、电话、地址、文件号）。
- [ ] 我概括了间接描述符（罕见的组合、小位置、确切的年龄）。
- [ ] 我只提供了完成这项工作所需的最少信息。
- [ ] 我仅使用了我所在机构认可的工具。
- [ ]“从这段文字中可以找到这个人吗？”我做了测试。
- [ ] 之后我没有在输出中添加任何凭据。