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

No mundo moderno da pesquisa, os dados são o fluxo vital da descoberta. Cientistas e autoridades de saúde pública reúnem vastas quantidades de informações sobre pessoas, desde seus registros de saúde e níveis de escolaridade até sua localização e detalhes familiares. Essas informações permitem que identifiquem padrões, rastreiem doenças e tomem decisões que melhoram vidas. No entanto, esses mesmos dados representam uma faca de dois gumes. Se compartilhados sem cuidado, os próprios detalhes que tornam a pesquisa útil podem também revelar as identidades dos indivíduos que a forneceram. Uma combinação de fatos aparentemente inofensivos, como idade, gênero e CEP, pode, por vezes, ser montada para identificar exatamente quem é a pessoa. Esse risco transforma um conjunto de dados valioso em uma ameaça à privacidade, potencialmente expondo as pessoas ao estigma, discriminação ou problemas legais. Para resolver isso, os pesquisadores utilizam um processo chamado anonimização, que altera ou remove cuidadosamente detalhes específicos para proteger indivíduos enquanto mantém os dados úteis para análise. No entanto, para muitos pesquisadores, especialmente aqueles que trabalham em regiões com menos recursos, as ferramentas necessárias para fazer isso com segurança são frequentemente muito complexas, caras ou presas a curvas de aprendizado íngremes que exigem habilidades avançadas de programação de computadores.

Uma equipe de pesquisadores do Centro de Pesquisa Populacional e de Saúde na África (African Population and Health Research Center) no Quênia abordou essa lacuna ao construir uma nova ferramenta acessível, projetada para tornar a privacidade de dados gerenciável para todos. Eles criaram uma plataforma de baixo código (low-code), um tipo de software que permite aos usuários realizar tarefas complexas através de cliques e menus simples, em vez de escrever linhas de código. Esta plataforma, que eles chamam de Plataforma de Anonimização de Dados de Baixo Código, atua como um workshop guiado para pesquisadores. Ela pega um conjunto de dados brutos e conduz o usuário através de uma série de etapas para remover informações identificáveis. O sistema é construído sobre a ideia de que proteger a privacidade não deve exigir um diploma em ciência da computação. Em vez disso, oferece uma interface visual onde um pesquisador pode carregar seus dados, selecionar quais partes da informação precisam de proteção e escolher entre um menu de técnicas comprovadas para ocultar esses detalhes. A plataforma então mostra instantaneamente como essas mudanças afetam o risco de alguém ser reidentificado, permitindo que o usuário encontre o equilíbrio certo entre manter os dados seguros e mantê-los úteis para estudo.

Os pesquisadores testaram sua plataforma usando um conjunto de dados sintéticos modelados a partir de registros reais de vigilância de saúde, garantindo que nenhuma informação privada real fosse exposta durante o processo de desenvolvimento. Eles demonstraram como a ferramenta lida com diferentes tipos de proteção de dados. Para identificadores diretos, como nomes ou números de telefone, a plataforma pode simplesmente removê-los inteiramente ou substituí-los por uma sequência de asteriscos, garantindo que o valor original não possa ser adivinhado pelo comprimento do texto oculto. Para dados numéricos, como idade ou renda, a ferramenta pode agrupar números específicos em intervalos mais amplos, como transformar uma idade precisa de vinte e sete anos em uma categoria de "vinte e cinco a vinte e nove". Este processo, conhecido como agrupamento (bucketing), torna muito mais difícil isolar um indivíduo porque muitas pessoas agora compartilham o mesmo rótulo. A plataforma também oferece métodos mais avançados, como a generalização, onde localizações específicas são ampliadas para regiões maiores, e a tokenização, que troca valores sensíveis por códigos aleatórios e irreconhecíveis que não podem ser revertidos.

Uma característica fundamental deste novo sistema é sua capacidade de atuar como um guia em tempo real. À medida que o pesquisador aplica essas mudanças, a plataforma calcula automaticamente o risco de reidentificação. Ela monitora métricas como a chance média de uma pessoa poder ser identificada e a porcentagem de registros que permanecem únicos. Em sua demonstração, os pesquisadores mostraram como um conjunto de dados com um alto risco inicial poderia ser sistematicamente melhorado. Ao aplicar uma combinação de técnicas, eles reduziram a porcentagem de registros únicos e identificáveis de mais de noventa por cento para zero. Isso significa que, após o processo, nenhuma pessoa no conjunto de dados poderia ser isolada com base na combinação de características pelas quais os pesquisadores estavam preocupados. Crucialmente, a plataforma não produz apenas um arquivo seguro; ela também gera um registro completo, passo a passo, de exatamente o que foi feito. Ela escreve as instruções para as mudanças em três linguagens de programação comuns, permitindo que outros pesquisadores vejam, verifiquem e repitam exatamente o mesmo processo. Essa transparência garante que o trabalho seja responsável e que os métodos possam ser auditados por comitês de ética ou outros cientistas.

Os autores reconhecem que, embora a ferramenta seja poderosa, ela não é uma varinha mágica que resolve todos os problemas de privacidade. O equilíbrio entre privacidade e utilidade depende fortemente da estrutura específica dos dados, e às vezes tornar os dados seguros o suficiente significa perder alguns dos detalhes finos necessários para uma análise profunda. A plataforma é atualmente projetada para tabelas de dados estruturados, como planilhas, e ainda não lida com informações não estruturadas, como imagens ou transcrições de vídeo. Além disso, embora a ferramenta proteja os dados enquanto eles estão sendo processados, os pesquisadores observam que, uma vez que o arquivo final deixa a plataforma, a responsabilidade sobre como ele é compartilhado e armazenado recai novamente sobre o usuário. Apesar desses limites, o trabalho representa um avanço significativo para a justiça de dados. Ao reduzir as barreiras técnicas de entrada, a plataforma capacita instituições em ambientes de recursos limitados a adotar padrões rigorosos de privacidade sem a necessidade de softwares caros ou equipes de programação especializadas. Ela oferece uma maneira prática de garantir que os benefícios do compartilhamento de dados possam alcançar mais pessoas, mantendo os indivíduos por trás dos dados seguros contra danos.