罗神经网络增强型心电图可以重新识别匿名的医疗保健数据

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 数据 隐私 数据 隐私 数据

背景情况:

• 研究数据库通常包含匿名心电图 (ECG),传统标识符已被删除.
• 评估这些匿名ECG的重新识别潜力对于数据保护至关重要.

研究的目的:

• 评估人工智能 (AI) 方法确定心电图相似性的能力.
• 评估AI在匿名数据集中重新识别个人方面的潜在滥用.

主要方法:

• 一个卷积的罗神经网络 (SNN) 架构被用来导出ECG之间的欧几里德距离相似度量.
• 分析了来自72,455名受试者的864,283个心电图的大型二级护理数据集.
• 在模拟的"有动机的入侵者"场景中测试了性能,数据集大小不同.

主要成果:

• 罗神经网络-心电图 (SNN-ECG) 在分类相同主体与不同主体的心电图对中取得了高精度 (在正常心电图子集中高达95.97%).
• SNN-ECG在从大型匿名数据集中识别个人方面表现出显著的成功率,远远超过随机机会.
• 额外的人口统计数据 (性别,年龄范围) 进一步提高了重新识别的性能.

结论:

• 匿名的ECG包含剩余信息,可以促进对象的重新识别,构成隐私风险.
• SNN-ECG模型具有双重效用,能够重新识别和增强心血管疾病风险预测.