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

Dans le monde moderne de la recherche, les données sont le sang qui irrigue la découverte. Les scientifiques et les responsables de la santé publique recueillent de vastes quantités d'informations sur les populations, allant de leurs dossiers de santé et de leur niveau d'éducation à leur localisation et aux détails de leur famille. Ces informations permettent de repérer des modèles, de suivre les maladies et de prendre des décisions qui améliorent les vies. Cependant, ces mêmes données sont une arme à double tranchant. Si elles sont partagées sans précaution, les détails mêmes qui rendent la recherche utile peuvent aussi révéler l'identité des individus qui les ont fournies. Une combinaison de faits apparemment anodins, comme l'âge, le sexe et le code postal d'une personne, peut parfois être assemblée pour identifier précisément qui elle est. Ce risque transforme un ensemble de données précieux en une menace pour la vie privée, exposant potentiellement les individus à la stigmatisation, à la discrimination ou à des problèmes juridiques. Pour résoudre ce problème, les chercheurs utilisent un processus appelé anonymisation, qui modifie ou supprime soigneusement certains détails spécifiques afin de protéger les individus tout en présant l'utilité des données pour l'analyse. Pourtant, pour de nombreux chercheurs, en particulier ceux travaillant dans des régions disposant de moins de ressources, les outils nécessaires pour effectuer cela en toute sécurité sont souvent trop complexes, trop coûteux ou verrouillés par des courbes d'apprentissage abruptes qui exigent des compétences avancées en programmation informatique.

Une équipe de chercheurs de l'African Population and Health Research Center au Kenya a répondu à cette lacune en construisant un nouvel outil accessible, conçu pour rendre la confidentialité des données gérable pour tous. Ils ont créé une plateforme low-code, un type de logiciel qui permet aux utilisateurs d'effectuer des tâches complexes via de simples clics et menus plutôt qu'en écrivant des lignes de code. Cette plateforme, qu'ils appellent la plateforme de Low-Code Data Anonymization, agit comme un atelier guidé pour les chercheurs. Elle prend un ensemble de données brutes et accompagne l'utilisateur à travers une série d'étapes pour éliminer les informations identifiables. Le système repose sur l'idée que la protection de la vie privée ne devrait pas nécessiter un diplôme en informatique. Au lieu de cela, il offre une interface visuelle où un chercheur peut télécharger ses données, sélectionner les éléments d'information nécessitant une protection et choisir parmi un menu de techniques éprouvées pour masquer ces détails. La plateforme montre ensuite instantanément comment ces changements affectent le risque de réidentification, permettant à l'utilisateur de trouver le bon équilibre entre la sécurisation des données et le maintien de leur utilité pour l'étude.

Les chercheurs ont testé leur plateforme en utilisant un ensemble de données synthétiques modélisées d'après de véritables dossiers de surveillance sanitaire, garantissant qu'aucune information privée réelle n'a été exposée durant le processus de développement. Ils ont démontré comment l'outil gère différents types de protection des données. Pour les identifiants directs comme les noms ou les numéros de téléphone, la plateforme peut simplement les supprimer entièrement ou les remplacer par une chaîne d'astérisques, garantissant que la valeur originale ne puisse pas être devinée par la longueur du texte masqué. Pour les données numériques comme l'âge ou le revenu, l'outil peut regrouper des chiffres précis en plages plus larges, comme transformer un âge précis de vingt-sept ans en une catégorie de « vingt-cinq à vingt-neuf ans ». Ce processus, appelé « bucketing » (ou mise en compartiments), rend beaucoup plus difficile l'isolement d'un individu car de nombreuses personnes partagent désormais la même étiquette. La plateforme propose également des méthodes plus avancées, telles que la généralisation, où les localisations spécifiques sont élargies à des régions plus vastes, et la tokenisation, qui remplace les valeurs sensibles par des codes aléatoires et méconnaissables qui ne peuvent être inversés.

Une caractéristique clé de ce nouveau système est sa capacité à agir comme un guide en temps réel. À mesure que le chercheur applique ces changements, la plateforme calcule automatiquement le risque de réidentification. Elle suit des mesures telles que la probabilité moyenne qu'une personne puisse être identifiée et le pourcentage d'enregistrements qui restent uniques. Dans leur démonstration, les chercheurs ont montré comment un ensemble de données présentant un risque initial élevé pouvait être systématiquement amélioré. En appliquant une combinaison de techniques, ils ont réduit le pourcentage d'enregistrements uniques et identifiables de plus de quatre-vingt-dix pour cent à zéro. Cela signifie qu'après le processus, aucune personne de l'ensemble de données ne pourrait être isolée sur la base de la combinaison de traits qui inquiétaient les chercheurs. Crucialement, la plateforme ne produit pas seulement un fichier sûr ; elle génère également un registre complet, étape par étape, de ce qui a été fait. Elle rédige les instructions pour les changements dans trois langages de programmation courants, permettant à d'autres chercheurs de voir, vérifier et répéter exactement le même processus. Cette transparence garantit que le travail est responsable et que les méthodes peuvent être auditées par des comités d'éthique ou d'autres scientifiques.

Les auteurs reconnaissent que, bien que l'outil soit puissant, il n'est pas une baguette magique qui résout tous les problèmes de confidentialité. L'équilibre entre vie privée et utilité dépend fortement de la structure spécifique des données, et parfois, rendre les données suffisamment sûres signifie perdre certains détails fins nécessaires à une analyse approfondie. La plateforme est actuellement conçue pour des tableaux de données structurés, comme des feuilles de calcul, et ne traite pas encore d'informations non structurées comme les images ou les transcriptions vidéo. De plus, bien que l'outil protège les données pendant qu'elles sont traitées, les chercheurs notent qu'une fois que le fichier final quitte la plateforme, la responsabilité de la manière dont il est partagé et stocké incombe à l'utilisateur. Malgré ces limites, ce travail représente une étape importante vers la justice des données. En abaissant les barrières techniques à l'entrée, la plateforme permet aux institutions des contextes à ressources limitées d'adopter des normes de confidentialité rigoureuses sans avoir besoin de logiciels coûteux ou d'équipes de codage spécialisées. Elle offre un moyen pratique de garantir que les bénéfices du partage de données puissent atteindre plus de personnes tout en protégeant les individus derrière les données contre tout préjudice.