Brazilian-PHI: Benchmarking Checksum-Validated Recognizers for CPF, CRM, CNS, CNPJ, RG, CEP, and Phone in Portuguese Clinical Text
यह शोध पत्र Brazilian-PHI को प्रस्तुत करता है, जो क्लिनिकल टेक्स्ट में सात प्रकार के ब्राज़ीलियाई व्यक्तिगत स्वास्थ्य सूचनाओं (personal health information) का पता लगाने के लिए पहला बेंचमार्क है, जो यह प्रदर्शित करता है कि चेकसम वैलिडेशन (checksum validation) के साथ कस्टम Presidio रिकग्नाइज़र, सटीकता, विलंबता (latency) और LGPD आवश्यकताओं के अनुपालन में डिफ़ॉल्ट टूल्स और लार्ज लैंग्वेज मॉडल्स की तुलना में काफी बेहतर प्रदर्शन करते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
स्वास्थ्य सेवा के डिजिटल युग में, एक रोगी का मेडिकल रिकॉर्ड केवल बीमारी और सुधार की कहानी मात्र नहीं है; यह व्यक्तिगत विवरणों का एक घना ताना-बाना है जिसे कानून द्वारा संरक्षित किया जाना चाहिए। ब्राजील में, 'जनरल डेटा प्रोटेक्शन लॉ' नामक एक विशिष्ट विनियमन स्वास्थ्य संबंधी जानकारी को एक विशेष रूप से संवेदनशील श्रेणी के रूप में मानता है, जिसके लिए यह आवश्यक है कि इन नोट्स को संभालने वाला कोई भी कंप्यूटर सिस्टम पहले उन सभी चीजों को हटा दे जो किसी विशिष्ट व्यक्ति की पहचान कर सकें। 'डी-आइडेंटिफिकेशन' (de-identification) नामक यह प्रक्रिया वह द्वारपाल है जो कृत्रिम बुद्धिमत्ता (AI) को गोपनीयता का उल्लंघन किए बिना चिकित्सा डेटा से सीखने की अनुमति देती है। हालाँकि, यह कार्य सरल नहीं है। ब्राज़ीलियाई मेडिकल नोट्स में पहचान कोडों का एक अनूठा सेट होता है—कर रिकॉर्ड, चिकित्सा लाइसेंस, स्वास्थ्य कार्ड और व्यावसायिक पंजीकरण के लिए संख्याएँ—जो सख्त और जटिल प्रारूपों का पालन करते हैं। साधारण नाम या पते के विपरीत, इनमें से कई कोडों में गणितीय जाँच शामिल होती है, जो एक सुरक्षा सील की तरह काम करती है, जो यह प्रमाणित करती है कि संख्या वास्तविक है न कि केवल अंकों की एक यादृच्छिक श्रृंखला। यदि कोई कंप्यूटर सिस्टम इन कोडों को चूक जाता है या किसी हानिरहित संख्या को निजी संख्या समझ लेता है, तो इसके परिणाम गंभीर हो सकते हैं, जिसमें भारी जुर्माना लेकर से लेकर रोगी के विश्वास की हानि तक शामिल है।
इगोर एडुआर्डो नामक एक शोधकर्ता ने इस क्षेत्र में एक विशिष्ट अंतर को भरने के लिए काम शुरू किया: कोई मानक परीक्षण नहीं था जिससे यह देखा जा सके कि विभिन्न कंप्यूटर उपकरण चिकित्सा पाठ के भीतर इन सात विशिष्ट ब्राज़िलियाई पहचान कोडों को कितनी अच्छी तरह खोज सकते हैं। जबकि अंग्रेजी या स्पेनिश के लिए उपकरण मौजूद थे, वे अक्सर ब्राज़ीलियाई डेटा की अनूठी संरचना का सामना करने में विफल रहे। इसका परीक्षण करने के लिए, शोधकर्ता ने 500 नकली मेडिकल नोट्स का एक बड़ा संग्रह बनाया। ये नोट्स सावधानीपूर्वक इस तरह तैयार किए गए थे कि वे वास्तविक लगें, जिनमें सैकड़ों अन्य समान दिखने वाली लेकिन हानिरहित संख्याओं, जैसे कि दवा की खुराक या अस्पताल सुविधा कोड के बीच सात प्रकार के पहचान कोड शामिल थे। लक्ष्य यह देखना था कि कौन सी विधि वास्तविक निजी कोडों को ढूंढ सके बिना हानिरहित संख्याओं से भ्रमित हुए। अध्ययन ने तीन अलग-अलग दृष्टिकोणों की तुलना की: एक मानक, आउट-ऑफ-द-बॉक्स सॉफ्टवेयर टूल, एक शक्तिशाली कृत्रिम बुद्धिमत्ता मॉडल जो टेक्स्ट की विशाल मात्रा से सीखता है, और सॉफ्टवेयर का एक कस्टम-निर्मित संस्करण जिसे विशेष रूप से ब्राज़ीलियाई प्रारूपों को पहचानने और संख्याओं पर उनके गणितीय सत्यापन करने के लिए सिखाया गया था।
परिणामों ने स्पष्ट किया कि विभिन्न प्रौद्योगिकियाँ संरचित डेटा को कैसे संभालती हैं। कस्टम-निर्मित सॉफ्टवेयर, जिसे ब्राज़ीलियाई कोड के विशिष्ट स्वरूपों को खोजने और उनके गणितीय सील को सत्यापित करने के लिए प्रोग्राम किया गया था, पूरी तरह सफल रहा। इसने परीक्षण नोट्स में सात पहचान प्रकारों के प्रत्येक उदाहरण को खोज लिया और कोई गलती नहीं की, और सभी हानिरहित संख्याओं को सही ढंग से अनदेखा कर दिया जो समान दिखती थीं। इसके विपरीत, मानक, बिना संशोधित सॉफ्टवेयर अधिकांश कोड खोजने में विफल रहा क्योंकि वह बस यह नहीं जानता था कि क्या खोजना है, जिससे उसकी सफलता दर बहुत कम रही। कृत्रिम बुद्धिमत्ता मॉडल, भाषा को समझने की अपनी क्षमता में प्रभावशाली होने के बावजूद, इन संख्याओं के सख्त नियमों के साथ संघर्ष करता रहा। इसने अधिकांश कोडों को खोजा लेकिन कुछ गलतियाँ भी कीं, कुछ हानिरहित सुविधा कोडों को निजी पहचान संख्याओं के साथ भ्रमित कर दिया। महत्वपूर्ण बात यह है कि AI गणितीय सत्यापन करने में सक्षम नहीं था जो यह सिद्ध करता है कि एक संख्या वैध है; यह केवल पैटर्न के आधार पर अनुमान लगा सकता था, यही कारण है कि इसने कभी-कभी वे गलतियाँ कीं जिनसे कस्टम सॉफ्टवेयर पूरी तरह बच गया था।
शायद सबसे चौंकाने वाला निष्कर्ष केवल सटीकता के बारे में नहीं, बल्कि गति के बारे में था। कस्टम सॉफ्टवेयर ने प्रत्येक मेडिकल नोट को दस माइक्रोसेकंड से भी कम समय में संसाधित किया, एक ऐसा समय जो इतना छोटा है कि लगभग तात्कालिक है। हालाँकि, कृत्रिम बुद्धिमत्ता मॉडल को उसी नोट को संसाधित करने में आठ सौ मिलीसेकंड से अधिक का समय लगा। इसका अर्थ है कि कस्टम टूल AI की तुलना में लगभग अस्सी हजार गुना तेज़ था। इस अंतर को समझने के लिए, यदि AI एक व्यक्ति होता जो एक पृष्ठ को ज़ोर से पढ़ रहा होता, तो कस्टम टूल एक ऐसी मशीन होती जो उस व्यक्ति द्वारा एक वाक्य पढ़ने के समय में पूरा पुस्तकालय पढ़ सकती थी। गति का यह विशाल अंतर यह सुझाव देता है कि मेडिकल रिकॉर्ड से निजी नंबरों को हटाने के विशिष्ट कार्य के लिए, धीमी और महंगी AI पर निर्भर रहना बड़े पैमाने पर उपयोग के लिए अव्यवहारिक है। अध्ययन यह निष्कर्ष निकालता है कि सबसे अच्छा दृष्टिकोण एक हाइब्रिड (मिश्रित) दृष्टिकोण है: सख्त, गणितीय कोड को पकड़ने के लिए तेज़, नियम-आधारित उपकरणों का उपयोग करना, और शक्तिशाली, लचीली AI को नामों और पतों जैसे अधिक जटिल, असंरचित विवरणों को खोजने के लिए बचाकर रखना। यह संयोजन उन्नत तकनीक को स्वास्थ्य सेवा में सुधार करने की अनुमति देने के साथ-साथ रोगी की गोपनीयता की रक्षा के लिए आवश्यक गति और विश्वसनीयता प्रदान करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।