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

Nel mondo moderno della ricerca, i dati sono il sangue vitale della scoperta. Gli scienziati e i funzionari di sanità pubblica raccolgono enormi quantità di informazioni sulle persone, dai loro registri sanitari e livelli di istruzione fino alla loro posizione e ai dettagli familiari. Queste informazioni permettono loro di individuare modelli, tracciare malattie e prendere decisioni che migliorano la vita delle persone. Tuttavia, questi stessi dati rappresentano un'arma a doppio taglio. Se condivisi senza cura, i dettagli stessi che rendono utile la ricerca possono anche rivelare l'identità degli individui che l'hanno fornita. Una combinazione di fatti apparentemente innocui, come l'età, il genere e il codice postale di una persona, può talvolta essere riassemblata per individuare esattamente chi sia quella persona. Questo rischio trasforma un prezioso insieme di dati in una minaccia per la privacy, esponendo potenzialmente le persone a stigma, discriminazione o problemi legali. Per risolvere questo problema, i ricercatori utilizzano un processo chiamato anonimizzazione, che altera o rimuove con cura dettagli specifici per proteggere gli individui pur mantenendo l'utilità dei dati per l'analisi. Eppure, per molti ricercatori, specialmente quelli che operano in regioni con meno risorse, gli strumenti necessari per farlo in modo sicuro sono spesso troppo complessi, troppo costosi o protetti da barriere d'apprendimento ripide che richiedono avanzate competenze di programmazione informatica.

Un team di ricercatori presso l'African Population and Health Research Center in Kenya ha affrontato questo divario costruendo un nuovo strumento accessibile, progettato per rendere la privacy dei dati gestibile per tutti. Hanno creato una piattaforma low-code, un tipo di software che consente agli utenti di eseguire compiti complessi attraverso semplici clic e menu piuttosto che scrivendo righe di codice. Questa piattaforma, che chiamano Low-Code Data Anonymization platform, agisce come un laboratorio guidato per i ricercatori. Prende un dataset grezzo e accompagna l'utente attraverso una serie di passaggi per eliminare le informazioni identificative. Il sistema si basa sull'idea che proteggere la privacy non debba richiedere una laurea in informatica. Offre invece un'interfaccia visiva dove un ricercatore può caricare i propri dati, selezionare quali pezzi di informazione necessitano di protezione e scegliere da un menu tecniche collaudate per nascondere tali dettagli. La piattaforma mostra poi istantaneamente come queste modifiche influenzino il rischio che qualcuno venga re-identificato, permettendo all'utente di trovare il giusto equilibrio tra il mantenere i dati sicuri e il mantenerli utili per lo studio.

I ricercatori hanno testato la loro piattaforma utilizzando un dataset sintetico modellato su veri registri di sorveglianza sanitaria, assicurandosi che non venisse mai esposta alcuna informazione privata reale durante il processo di sviluppo. Hanno dimostrato come lo strumento gestisce diversi tipi di protezione dei dati. Per gli identificatori diretti come nomi o numeri di telefono, la piattaforma può semplicemente rimuoverli interamente o sostituirli con una stringa di asterischi, garantendo che il valore originale non possa essere indovinato dalla lunghezza del testo nascosto. Per i dati numerici come l'età o il reddito, lo strumento può raggruppare numeri specifici in intervalli più ampi, come trasformare un'età precisa di ventisette anni in una categoria di "venticinque a venti-nove". Questo processo, noto come bucketing, rende molto più difficile isolare un individuo perché molte persone ora condividono la stessa etichetta. La piattaforma offre anche metodi più avanzati, come la generalizzazione, dove le posizioni specifiche vengono ampliate in regioni più grandi, e la tokenizzazione, che sostituisce i valori sensibili con codici casuali e irriconoscibili che non possono essere invertiti.

Una caratteristica chiave di questo nuovo sistema è la sua capacità di agire come una guida in tempo reale. Mentre il ricercatore applica queste modifiche, la piattaforma calcola automaticamente il rischio di re-identificazione. Monitora metriche come la probabilità media che una persona possa essere identificata e la percentuale di record che rimangono unici. Nella loro dimostrazione, i ricercatori hanno mostrato come un dataset con un rischio iniziale elevato potesse essere sistematicamente migliorato. Applicando una combinazione di tecniche, hanno ridotto la percentuale di record unici e identificabili da oltre il novanta percento a zero. Ciò significa che, dopo il processo, nessuna singola persona nel dataset poteva essere isolata sulla base della combinazione di tratti che i ricercatori stavano monitorando. Fondamentalmente, la piattaforma non produce solo un file sicuro; genera anche un registro completo, passo dopo passo, di ciò che è stato fatto. Scrive le istruzioni per le modifiche in tre linguaggi di programmazione comuni, consentendo ad altri ricercatori di vedere, verificare e ripetere esattamente lo stesso processo. Questa trasparenza assicura che il lavoro sia responsabile e che i metodi possano essere auditati da comitati etici o altri scienziati.

Gli autori riconoscono che, sebbene lo strumento sia potente, non è una bacchetta magica che risolve ogni problema di privacy. L'equilibrio tra privacy e utilità dipende fortemente dalla struttura specifica dei dati, e talvolta rendere i dati abbastanza sicuri significa perdere alcuni dei dettagli fini necessari per un'analisi approfondita. La piattaforma è attualmente progettata per tabelle di dati strutturate, come i fogli di calcolo, e non gestisce ancora informazioni non strutturate come immagini o trascrizioni video. Inoltre, sebbene lo strumento protegga i dati mentre vengono elaborati, i ricercatori osservano che una volta che il file finale lascia la piattaforma, la responsabilità di come esso venga condiviso e conservato ricade sull'utente. Nonostante questi confini, il lavoro rappresenta un passo avanti significativo verso la giustizia dei dati. Abbassando le barriere tecniche all'ingresso, la piattaforma permette alle istituzioni in contesti con scarse risorse di adottare standard di privacy rigorosi senza necessitare di software costosi o team di programmazione specializzati. Offre un modo pratico per garantire che i benefici della condivisione dei dati possano raggiungere più persone, mantenendo al contempo al sicuro gli individui che stanno dietro ai dati.