一个灵活的两阶段匿名化框架,用于叙事医疗记录,适应各种语言模型

科学领域:

• 医疗信息学 医疗信息学
• 人工智能的人工智能
• 数据 隐私 数据 隐私 数据

背景情况:

• 电子健康记录 (EHR) 对现代医疗保健至关重要,但包含敏感的患者数据.
• 保护这些数据,特别是在云环境中,由于其非结构性而具有挑战性.
• 现有的方法难以识别和匿名化叙事文本中分散的敏感信息.

研究的目的:

• 开发一个系统的框架来检测和匿名敏感实体在非结构化的叙事EHRs.
• 确保患者数据的隐私,同时保持EHR对护理的实用性.
• 创建一个可适应各种监管要求的隐私保护解决方案.

主要方法:

• 一个双阶段的k-匿名化框架,将自然语言处理 (NLP) 和隐私保护技术结合起来.
• 第一个阶段:使用微调的双向编码器表示从变压器 (BERT) 和提示驱动的大型语言模型 (LLM) 来提取敏感实体.
• 第二阶段:生成扰乱数据以实现k-匿名性,优化低等级适应 (LoRA) 以用于资源有限的环境.

主要成果:

• 该框架在多种敏感实体类型中实现了高F1分数,超过90%.
• 两级结构使实体类别和匿名化策略的动态调整成为可能.
• 该框架使用低级适应 (LoRA) 进行了优化,适合在标准硬件上部署,包括资源受限的设置.

结论:

• 拟议的框架有效地使用先进的NLP和隐私技术在非结构化电子健康记录中匿名化敏感信息.
• 它为医疗保健数据保护提供了灵活有效的解决方案,可适应各种隐私法规.
• 对资源有限的环境的优化使得这种方法在医疗保健环境中广泛适用.