Mejorar la protección de la privacidad de los datos de los exámenes físicos mediante algoritmos sintéticos basados en...

Área de la Ciencia:

• Privacidad computacional
• Informática de la salud
• Ciencia de los datos

Sus antecedentes:

• Los exámenes físicos son vitales para la detección temprana de enfermedades, pero se enfrentan a limitaciones de privacidad.
• La generación sintética de datos utilizando privacidad diferencial ofrece una solución para la utilidad y la privacidad de los datos.
• Esta investigación explora los algoritmos de privacidad diferencial para los datos del examen físico.

Objetivo del estudio:

• Evaluar la eficacia de los algoritmos de datos sintéticos para la preservación de la privacidad de los datos del examen físico.
• Comparar el rendimiento de DP-Gibbs con los algoritmos existentes en términos de privacidad y utilidad de los datos.
• Explorar el equilibrio entre la protección de la privacidad y la utilidad de los datos en diferentes niveles de privacidad.

Principales métodos:

• Se emplearon tres algoritmos sintéticos de privacidad diferencial (PrivBayes, PeGS y DP-Gibbs).
• Para la generación de conjuntos de datos sintéticos se utilizaron datos del examen físico, que incluyen variables categóricas.
• El rendimiento se comparó con el algoritmo Private-PGM existente.

Principales resultados:

• DP-Gibbs demostró una capacidad de preservación de la privacidad significativamente mayor (4.686) que el algoritmo existente (2.012).
• DP-Gibbs logró métricas de utilidad de datos superiores: precisión de 0,620, puntuación F1 de 0,539, coeficiente Kappa de 0,342 y puntuación AUC de 0,765.
• Las puntuaciones de utilidad del algoritmo existente fueron más bajas: 0,520 de precisión, 0,321 de puntuación F1, 0,188 de coeficiente Kappa y 0,695 de puntuación AUC.

Conclusiones:

• DP-Gibbs proporciona una sólida protección de la privacidad y una mayor utilidad de los datos de los exámenes físicos.
• Este método permite la extracción y aplicación segura de datos médicos mientras se preserva la privacidad del paciente.
• Los investigadores clínicos pueden obtener información valiosa de los datos de exámenes físicos no identificados sin riesgos de privacidad.