La desidentificación de GeMTeX en acción: lecciones aprendidas y detalles del diablo

Área de la Ciencia:

• La informática médica
• Procesamiento del lenguaje natural
• Privacidad de los datos

Sus antecedentes:

• El proyecto GeMTeX inició una campaña de desidentificación a gran escala para los informes clínicos alemanes en 2024.
• El estudio piloto dio como resultado GraSCCoPHI, el primer corpus alemán de resúmenes de descargas sintéticas desidentificado.

Objetivo del estudio:

• Describir el flujo de trabajo de desidentificación GeMTeX, incluida la gestión de anotaciones y la capacitación.
• Presentar el progreso del primer año, los desafíos y las perspectivas cuantitativas de la campaña de desidentificación.

Principales métodos:

• Desarrollo y gestión de una herramienta de anotación.
• Reunió y entrenó a los grupos de anotación.
• Evolucionó las pautas de desidentificación a través de un proceso iterativo.

Principales resultados:

• El proyecto se enfrentó a desafíos imprevistos durante el despliegue en seis sitios hospitalarios en cuatro estados alemanes.
• El análisis de un corpus provisional (9.000 documentos, 20 millones de fichas) reveló información identificable promedio por documento.
• Factores de confusión identificados y lecciones clave aprendidas del proceso de desidentificación.

Conclusiones:

• Los obstáculos imprevistos en la anotación de desidentificación a menudo seguían el principio de Pareto.
• Un pequeño porcentaje de problemas de anotación representó la mayoría de los desafíos imprevistos.