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

In de moderne wereld van onderzoek is data de levensader van ontdekking. Wetenschappers en functionarissen in de volksgezondheid verzamelen enorme hoeveelheden informatie over mensen, van hun medische dossiers en opleidingsniveau tot hun locatie en familiegegevens. Deze informatie stelt hen in staat om patronen te herkennen, ziekten te volgen en beslissingen te nemen die levens verbeteren. Deze data vormt echter ook een tweesnijdend zwaard. Als deze zonder zorg wordt gedeeld, kunnen de exacte details die de research nuttig maken, ook de identiteiten van de individuen die de gegevens hebben verstrekt, onthullen. Een combinatie van ogenschijnlijk onschuldige feiten, zoals de leeftijd, het geslacht en de postcode van een persoon, kan soms worden samengevoegd om precies te achterhalen wie die persoon is. Dit risico verandert een waardevolle dataset in een bedreiging voor de privacy, waarbij mensen potentieel worden blootgesteld aan stigmatisering, discriminatie of juridische problemen. Om dit op te lossen, gebruiken onderzoekers een proces genaamd anonimisering, waarbij specifieke details zorgvuldig worden gewijzigd of verwijderd om individuen te beschermen terwijl de data bruikbaar blijft voor analyse. Toch zijn de instrumenten die nodig zijn om dit veilig te doen voor veel onderzoekers, vooral zij die werken in regio's met minder middelen, vaak te complex, te duur of geblokkeerd door steile leercurves die geavanceerde programmeervaardigheden vereisen.

Een team van onderzoekers aan het African Population and Health Research Center in Kenia heeft deze kloof gedicht door een nieuwe, toegankelijke tool te bouwen die ontworpen is om databedreiging beheersbaar te maken voor iedereen. Ze creëerden een low-code platform, een type software waarmee gebruikers complexe taken kunnen uitvoeren via eenvoudige klikken en menu's in plaats van door regels code te schrijven. Dit platform, dat ze het Low-Code Data Anonymization platform noemen, fungeert als een begeleide workshop voor onderzoekers. Het neemt een ruwe dataset en begeleidt de gebruiker door een reeks stappen om identificerende informatie te verwijderen. Het systeem is gebouwd op het idee dat het beschermen van de privacy geen graad in informatica mag vereisen. In plaats daarvan biedt het een visuele interface waar een onderzoeker zijn data kan uploaden, kan selecteren welke stukken informatie beschermd moeten worden, en kan kiezen uit een menu met bewezen technieken om die details te verbergen. Het platform laat vervolgens direct zien hoe deze wijzigingen de kans op heridentificatie beïnvloeden, waardoor de gebruiker de juiste balans kan vinden tussen het veilig houden van de data en het bruikbaar houden ervan voor studie.

De onderzoekers testten hun platform met behulp van een synthetische dataset die gebaseerd is op echte gegevens uit de gezondheidszorg, waarbij werd gewaarborgd dat er tijdens het ontwikkelproces nooit werkelijke privacygevoelige informatie werd blootgesteld. Ze demonstreerden hoe het hulpmiddel verschillende soorten gegevensbescherming afhandelt. Voor directe identificatoren zoals namen of telefoonnummers kan het platform deze simpelweg volledig verwijderen of vervangen door een reeks sterretjes, zodat de oorspronkelijke waarde niet geraden kan worden aan de hand van de lengte van de verborgen tekst. Voor numerieke gegevens zoals leeftijd of inkomen kan het hulpmiddel specifieke getallen groeperen in bredere bereiken, zoals het omzetten van een exacte leeftijd van zevenentwintig naar een categorie van "vijfentwintig tot tweeëndertig". Dit proces, bekend als 'bucketing', maakt het veel moeilijker om een individu te onderscheiden omdat veel mensen nu dezelfde label delen. Het platform biedt ook meer geavanceerde methoden, zoals generalisatie, waarbij specifieke locaties worden verbreed naar grotere regio's, en tokenisatie, waarbij gevoelige waarden worden vervangen door willekeurige, onherkenbare codes die niet kunnen worden teruggedraaid.

Een belangrijk kenmerk van dit nieuwe systeem is het vermogen om te fungeren als een realtime gids. Terwijl de onderzoeker deze wijzigingen toepast, berekent het platform automatisch het risico op heridentificatie. Het houdt statistieken bij zoals de gemiddelde kans dat een persoon geïdentificeerd kan worden en het percentage records dat uniek blijft. In hun demonstratie lieten de onderzoekers zien hoe een dataset met een hoog initieel risico systematisch verbeterd kon worden. Door een combinatie van technieken toe te passen, verminderden ze het percentage unieke, identificeerbare records van meer dan negentig procent naar nul. Dit betekent dat na het proces geen enkele persoon in de dataset op basis van de combinatie van kenmerken geïdentificeerd kon worden waar de onderzoekers zich zorgen over maakten. Cruciaal is dat het platform niet alleen een veilig bestand produceert, maar ook een volledig, stapsgewijs verslag genereert van wat er precies is gedaan. Het schrijft de instructies voor de wijzigingen uit in drie veelvoorkomende programmeertalen, waardoor andere onderzoekers exact hetzelfde proces kunnen zien, verifiëren en herhalen. Deze transparantie zorgt ervoor dat het werk verantwoorde is en dat de methoden gecontroleerd kunnen worden door ethische commissies of andere wetenschappers.

De auteurs erkennen dat hoewel het hulpmiddel krachtig is, het geen toverstaf is die elk privacyprobleem oplost. De balans tussen privacy en bruikbaarheid hangt sterk af van de specifieke structuur van de data, en soms betekent het veilig genoeg maken van data het verliezen van sommige fijne details die nodig zijn voor diepgaande analyse. Het platform is momenteel ontworpen voor gestructureerde tabellen met gegevens, zoals spreadsheets, en kan nog geen ongestructureerde informatie zoals afbeeldingen of transcripties van video's verwerken. Bovendien, hoewel het hulpmiddel de data beschermt terwijl deze wordt verwerkt, merken de onderzoekers op dat zodra het definitieve bestand het platform verlaat, de verantwoordelijkheid voor hoe het wordt gedeeld en opgeslagen terugvalt op de gebruiker. Ondanks deze grenzen vertegenwoordigt het werk een belangrijke stap voorwaarts voor datagerechtigheid. Door de technische drempels te verlagen, stelt het platform instellingen in omgevingen met beperkte middelen in staat om strikte privacy-standaarden te hanteren zonder dat daar dure software of gespecialiseerde programmeerteams voor nodig zijn. Het biedt een praktische manier om ervoor te zorgen dat de voordelen van het delen van data meer mensen kunnen bereiken, terwijl de individuen achter de data beschermd blijven tegen schade.