Brazilian-PHI: Benchmarking Checksum-Validated Recognizers for CPF, CRM, CNS, CNPJ, RG, CEP, and Phone in Portuguese Clinical Text
Dieses Paper stellt Brazilian-PHI vor, den ersten Benchmark zur Erkennung von sieben Arten brasilianischer personenbezogener Gesundheitsdaten in klinischen Texten, und zeigt auf, dass maßgeschneiderte Presidio-Recognizer mit Prüfsummenvalidierung die Standardwerkzeuge sowie große Sprachmodelle hinsichtlich Genauigkeit, Latenz und der Einhaltung von LGPD-Anforderungen signifikant übertreffen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Im digitalen Zeitalter des Gesundheitswesens ist die Krankenakte eines Patienten mehr als nur eine Geschichte von Krankheit und Genesung; sie ist ein dichtes Geflecht aus persönlichen Details, das gesetzlich geschützt werden muss. In Brasilien behandelt eine spezifische Verordnung, das Gesetz zum Schutz personenbezogener Daten (Lei Geral de Proteção de Dados), Gesundheitsinformationen als eine besonders sensible Kategorie, die vorschreibt, dass jedes Computersystem, das diese Notizen verarbeitet, zuerst alles entfernen muss, was eine bestimmte Person identifizieren könnte. Dieser Prozess, die De-Identifizierung, ist der Torwächter, der es künstlicher Intelligenz ermöglicht, aus medizinischen Daten zu lernen, ohne die Privatsphäre zu verletzen. Die Aufgabe ist jedoch alles andere als einfach. Brasilianische medizinische Notizen enthalten einen einzigartigen Satz von Identifikationscodes – Nummern für Steuerunterlagen, ärztliche Lizenzen, Gesundheitskarten und Handelsregistereinträge –, die strengen, komplexen Formaten folgen. Im Gegensatz zu einfachen Namen oder Adressen enthalten viele dieser Codes mathematische Prüfungen, ähnlich wie ein Sicherheitssiegel, die beweisen, dass die Nummer echt und nicht nur eine zufällige Ziffernfolge ist. Wenn ein Computersystem diese Codes übersieht oder eine harmlose Nummer fälschlicherweise für eine private hält, können die Folgen schwerwiegend sein und von massiven Geldstrafen bis hin zum Verlust des Vertrauens der Patienten reichen.
Ein Forscher namens Igor Eduardo setzte sich zum Ziel, eine spezifische Lücke in diesem Bereich zu schließen: Es gab keinen Standardtest, um zu sehen, wie gut verschiedene Computerwerkzeuge diese sieben spezifischen brasilianischen Identifikationscodes innerhalb medizinischer Texte finden konnten. Während Werkzeuge für Englisch oder Spanisch existierten, scheiterten sie oft an der einzigartigen Struktur brasilianischer Daten. Um dies zu testen, erstellte der Forscher eine große Sammlung von 500 gefälschten medizinischen Notizen. Diese Notizen wurden sorgfältig erstellt, um echt auszusehen, wobei die sieben Arten von Identifikationscodes mit Hunderten anderen Zahlen gemischt wurden, die ähnlich aussehen, aber harmlos sind, wie etwa Medikamentendosierungen oder Krankenhausstandort-Codes. Das Ziel war es zu sehen, welche Methode in der Lage war, die echten privaten Codes zu finden, ohne durch die harmlosen Zahlen verwirrt zu werden. Die Studie verglich drei verschiedene Ansätze: ein standardmäßiges Softwarewerkzeug „von der Stange“, ein leistungsstarkes Modell der künstlichen Intelligenz, das aus riesigen Textmengen lernt, und eine maßgeschneiderte Version der Software, die speziell darauf trainiert wurde, brasilianische Formate zu erkennen und die mathematischen Prüfungen der Zahlen durchzuführen.
Die Ergebnisse zeigten eine klare Kluft darin auf, wie unterschiedliche Technologien mit strukturierten Daten umgehen. Die maßgeschneiderte Software, die darauf programmiert war, nach den spezifischen Formen brasilianischer Codes zu suchen und deren mathematische Siegel zu verifizieren, arbeitete perfekt. Sie fand jede einzelne Instanz der sieben Identifikationstypen in den Testnotizen und machte keine Fehler; sie ignorierte alle harmlosen Zahlen, die ähnlich aussah, korrekt. Im Gegensatz dazu versagte die standardmäßige, unmodifizierte Software dabei, die meisten dieser Codes zu finden, da sie schlichtweg nicht wusste, wonach sie suchen sollte, und erreichte eine sehr niedrige Erfolgsquote. Das Modell der künstlichen Intelligenz, obwohl beeindruckend in seiner Fähigkeit, Sprache zu verstehen, hatte Schwierigkeiten mit den strengen Regeln dieser Zahlen. Es fand die meisten der Codes, unterlief jedoch einige Fehler, indem es einige harmlose Standort-Codes mit privaten Identifikationsnummern verwechselte. Entscheidend war, dass die KI nicht in der Lage war, die mathematische Verifizierung durchzuführen, die beweist, dass eine Nummer gültig ist; sie konnte nur basierend auf Mustern raten, weshalb sie gelegentlich Fehler beging, die die maßgeschneiderte Software vollständig vermieden.
Vielleicht war der bemerkenswerteste Befund nicht nur die Genauigkeit, sondern auch die Geschwindigkeit. Die maßgeschneiderte Software verarbeitete jede medizinische Notiz in weniger als zehn Mikrosekunden – ein Zeitrahmen, der so kurz ist, dass er fast instantan wirkt. Das Modell der künstlichen Intelligenz benötigte hingegen über achthundert Millisekunden, um dieselbe Notiz zu verarbeiten. Das bedeutet, dass das maßgeschneiderte Werkzeug etwa achtzigtausendmal schneller war als die KI. Um diesen Unterschied zu verdeutlichen: Wenn die KI eine Person wäre, die eine Seite laut vorliest, wäre das maßgeschneiderte Werkzeug eine Maschine, die die gesamte Bibliothek lesen könnte, während die Person gerade einen einzigen Satz liest. Dieser massive Unterschied in der Geschwindigkeit deutet darauf an, dass es unpraktisch ist, sich für die spezifische Aufgabe des Bereinigens privater Nummern aus medizinischen Unterlagen auf die langsame, teure KI zu verlassen. Die Studie kommt zu dem Schluss, dass der beste Ansatz ein hybrider einer ist: die Verwendung schneller, regelbasierter Werkzeuge, um die strengen, mathematischen Codes zu erfassen, und die Aufbewahrung der leistungsstarken, flexiblen KI für das Finden der komplexeren, unstrukturierten Details wie Namen und Adressen. Diese Kombination bietet die Geschwindigkeit und Zuverlässigkeit, die zum Schutz der Privatsphäre der Patienten erforderlich sind, während sie gleichzeitig fortschrittliche Technologie ermöglicht, die Gesundheitsversorgung zu verbessern.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.