在电气健康记录中使用高通量机器学习模型进行敏感数据检测

科学领域:

• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 医疗保险可移植性和问责法案 (HIPAA) 保护敏感的健康信息,但缺乏有效的非识别工具.
• 跨医疗保健实体的异质数据结构挑战了基于规则的PHI检测.
• 安全的数据共享对于改善健康结果和推进研究至关重要.

研究的目的:

• 开发一种机器学习方法,在结构化的电子健康记录 (EHR) 数据中自动识别受保护的健康信息 (PHI).
• 解决基于规则的系统在不同数据集中检测可变PHI字段的局限性.
• 为了加强数据共享和研究合作,促进非识别过程.

主要方法:

• 从结构化EHR数据的元数据中设计了30多个特征.
• 利用了PHI和非PHI领域之间不同元数据分布的新观察方法.
• 在多种EHR数据库上开发和训练机器学习分类模型.

主要成果:

• 在未见的数据集上检测PHI相关字段时实现了99%的准确性.
• 证明了基于元数据的特征工程用于PHI识别的有效性.
• 验证了来自不同来源的各种大型EHR数据库中的算法的性能.

结论:

• 机器学习提供了一个强大的解决方案,用于在结构化EHR数据中自动识别PHI.
• 开发的方法显著提高了非识别过程,使得安全的数据共享.
• 这种方法对处理敏感数据的行业具有广泛的影响,改善数据安全和研究能力.