不完全合成:基于LLM的混合方法,实现保护隐私的临床笔记共享

科学领域:

• 医疗信息学 医疗信息学
• 医疗数据 隐私 医疗数据 隐私
• 医疗保健中的人工智能

背景情况:

• 分享临床笔记对于医疗保健研究至关重要,但面临着HIPAA和GDPR等法规的隐私挑战.
• 现有的非识别方法和合成数据生成通常会损害数据的实用性或隐私.
• 局限性包括不完全的隐私保护通过非识别和缺乏合成笔记细微差别.

研究的目的:

• 开发一种混合方法来生成临床笔记,以平衡患者隐私与数据实用性.
• 评估这种混合方法在保留原始内容和确保非识别方面的有效性.
• 为研究和创新提供安全有效的临床数据共享解决方案.

主要方法:

• 一种混合方法,结合了非识别,数据过和基于大型语言模型 (LLM) 的合成笔记生成.
• 保留36%-61%的原始临床笔记内容,并使用LLM生成剩余数据.
• 评估混合票据与独立方法的脱标性能.

主要成果:

• 混合笔记保留了大量原始临床数据 (36%-61%),同时使用LLM填补空白.
• 混合债券的取消识别性能达到或超过独立的取消识别技术.
• 提出的方法成功地保护了患者的隐私和丰富的临床数据.

结论:

• 混合临床笔记为安全有效的临床数据共享提供了一个有希望的解决方案.
• 这种方法可以提高研究数据的实用性,而不会损害患者的隐私.
• 该方法鼓励在医疗数据共享和分析方面进一步创新.