A low-code data anonymization platform for achieving data privacy for research data

In der modernen Welt der Forschung sind Daten das Lebenselixier der Entdeckung. Wissenschaftler und Experten des öffentlichen Gesundheitswesens sammeln riesige Mengen an Informationen über Menschen, von deren Gesundheitsakten und Bildungsniveau bis hin zu ihrem Standort und ihren Familiendetails. Diese Informationen ermöglichen es ihnen, Muster zu erkennen, Krankheiten zu verfol быть und Entscheidungen zu treffen, die Leben verbessern. Doch dieselben Daten sind auch ein zweischneidiges Schwert. Wenn sie ohne Sorgfalt geteilt werden, können eben jene Details, die die Forschung so nützlich machen, auch die Identitäten der Personen preisgeben, die sie bereitgestellt haben. Eine Kombination aus scheinbar harmlosen Fakten, wie dem Alter, dem Geschlecht und der Postleitzahl einer Person, kann manchmal zusammengesetzt werden, um genau zu bestimmen, wer sie ist. Dieses Risiko verwandelt einen wertvollen Datensatz in eine Bedrohung für die Privatsphäre und setzt Menschen potenziell Stigmatisierung, Diskriminierung oder rechtlichen Problemen aus. Um dies zu lösen, nutzen Forscher einen Prozess namens Anonymisierung, bei dem spezifische Details sorgfältig verändert oder entfernt werden, um Einzelpersonen zu schützen, während die Daten für die Analyse nützlich bleiben. Doch für viele Forscher, insbesondere jene, die in Regionen mit weniger Ressourcen arbeiten, sind die zur sicheren Durchführung erforderlichen Werkzeuge oft zu komplex, zu teuer oder hinter steilen Lernkurven verborgen, die fortgeschrittene Programmierkenntnisse erfordern.

Ein Team von Forschern am African Population and Health Research Center in Kenia hat diese Lücke geschlossen, indem es ein neues, zugängliches Werkzeug entwickelt hat, das darauf ausgelegt ist, den Datenschutz handhabbar zu machen. Sie haben eine Low-Code-Plattform geschaffen, eine Art von Software, die es Nutzern ermöglicht, komplexe Aufgaben durch einfache Klicks und Menüs statt durch das Schreiben von Codezeilen auszuführen. Diese Plattform, die sie die „Low-Code Data Anonymization Platform“ nennen, fungiert als geführter Workshop für Forscher. Sie nimmt einen Rohdatensatz und führt den Nutzer durch eine Reihe von Schritten, um identifizierende Informationen zu entfernen. Das System basiert auf der Idee, dass der Schutz der Privatsphäre keinen Abschluss in Informatik erfordern sollte. Stattdessen bietet es eine visuelle Benutzeroberfläche, auf der ein Forscher seine Daten hochladen, auswählen kann, welche Informationen geschützt werden müssen, und aus einem Menü bewährter Techniken wählen kann, um diese Details zu verbergen. Die Plattform zeigt dann sofort an, wie sich diese Änderungen auf das Risiko einer Re-Identifizierung auswirken, sodass der Nutzer das richtige Gleichgewicht zwischen der Sicherheit der Daten und deren Nützlichkeit für die Untersuchung finden kann.

Die Forscher testeten ihre Plattform mit einem synthetischen Datensatz, der auf realen Gesundheitsüberwachungsdaten basiert, um sicherzustellen, dass während des gesamten Entwicklungsprozesses niemals tatsächliche private Informationen exponiert wurden. Sie demonstrierten, wie das Tool verschiedene Arten des Datenschutzes handhabt. Für direkte Identifikatoren wie Namen oder Telefonnummern kann die Plattform diese einfach vollständig entfernen oder durch eine Zeichenfolge aus Asterisken ersetzen, wodurch sichergestellt wird, dass der ursprüngliche Wert nicht anhand der Länge des verborgenen Textes erraten werden kann. Für numerische Daten wie Alter oder Einkommen kann das Tool spezifische Zahlen in breitere Bereiche gruppieren, etwa indem es ein präzises Alter von siebenundzwanzig in eine Kategorie wie „fünfundzwanzig bis neunundzwanzig“ umwandelt. Dieser Prozess, bekannt als „Bucketing“, macht es viel schwieriger, ein Individuum herauszufinden, da nun viele Menschen dasselbe Label teilen. Die Plattform bietet auch fortgeschrittenere Methoden an, wie etwa die Generalisierung, bei der spezifische Standorte zu größeren Regionen erweitert werden, und die Tokenisierung, bei der sensible Werte durch zufällige, unerkennbare Codes ersetzt werden, die nicht rückgängig gemacht werden können.

Ein Schlüsselmerkmal dieses neuen Systems ist seine Fähigkeit, als Echtzeit-Leitfaden zu fungieren. Während der Forscher diese Änderungen anwendet, berechnet die Plattform automatisch das Re-Identifizierungsrisiko. Sie verfolgt Metriken wie die durchschnittliche Chance, dass eine Person identifiziert werden könnte, und den Prozentsatz der Datensätze, die weiterhin einzigartig sind. In ihrer Demonstration zeigten die Forscher, wie ein Datensatz mit einem hohen anfänglichen Risiko systematisch verbessert werden konnte. Durch die Anwendung einer Kombination von Techniken reduzierten sie den Prozentsatz der einzigartigen, identifizierbaren Datensätze von über neunzig Prozent auf null. Das bedeutet, dass nach dem Prozess keine einzelne Person im Datensatz allein aufgrund der Kombination von Merkmalen identifiziert werden konnte, vor denen die Forscher besorgt waren. Entscheidend ist, dass die Plattform nicht nur eine sichere Datei produziert, sondern auch ein vollständiges, schrittweises Protokoll darüber erstellt, was genau getan wurde. Sie schreibt die Anweisungen für die Änderungen in drei gängigen Programmiersprachen aus, sodass andere Forscher den exakten Prozess sehen, verifizieren und wiederholen können. Diese Transparenz stellt sicher, dass die Arbeit rechenschaftspflichtig ist und die Methoden von Ethikkommissionen oder anderen Wissenschaftlern geprüft werden können.

Die Autoren räumen ein, dass das Tool zwar leistungsstark ist, aber kein Zauberstab, der jedes Datenschutzproblem löst. Das Gleichgewicht zwischen Privatsphäre und Nützlichkeit hängt stark von der spezifischen Struktur der Daten ab, und manchmal bedeutet die Sicherung der Daten so weit, dass einige der für eine tiefe Analyse benötigten feinen Details verloren gehen. Die Plattform ist derzeit für strukturierte Datentabellen, wie Tabellenkalkulationen, konzipiert und verarbeitet noch keine unstrukturierten Informationen wie Bilder oder Transkripte von Videos. Darüber hinaus stellen die Forscher fest, dass das Tool zwar die Daten während der Verarbeitung schützt, die Verantwortung für die Art und Weise, wie die endgültige Datei geteilt und gespeichert wird, jedoch nach dem Verlassen der Plattform wieder beim Nutzer liegt. Trotz dieser Grenzen stellt die Arbeit einen bedeutenden Schritt nach vorn für die Datengerechtigkeit dar. Indem sie die technischen Eintrittsbarrieren senkt, befähigt die Plattform Institutionen in ressourcenarmen Gebieten, strenge Datenschutzstandards einzuhalten, ohne teure Software oder spezialisierte Programmierteams zu benötigen. Sie bietet einen praktischen Weg, um sicherzustellen, dass die Vorteile des Datenaustauschs mehr Menschen erreichen können, während die Individuen hinter den Daten vor Schaden bewahrt werden.