Client-Side Ephemeral De-Identification of Protected Health Information (PHI) in Multi-Center Clinical Trial Analysis and Large Language Model Workflows: Validating Zero-Trust Data Sanitization Under HIPAA Safe Harbor Section 164.514(b)
本文提出并验证了零信任数据脱敏（ZTDS），这是一种客户端、设备端的架构框架，能够在数据传输前在易失性存储器中执行符合 HIPAA Safe Harbor 标准的受保护健康信息（PHI）实时去标识化处理，从而实现在无需签署商业伙伴协议（BAA）或面临数据外泄风险的情况下，安全地在临床研究中零信任地利用公共大语言模型。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代医院中，医生的笔记不仅仅是患者就诊的记录；它们是个人历史与医学事实交织而成的复杂织锦。这些文档包含姓名、出生日期、特定地点和唯一的识别号码，所有这些都受到旨在保护患者身份的严格隐私法的保护。与此同时，一波被称为“大语言模型”的强大计算机程序正在兴起。这些工具可以在几秒钟内阅读数千页的医学文本，帮助研究人员发现疾病模式、总结复杂的临床试验结果或快速起草临床报告。然而，在这两个世界之间存在着一个显著的障碍。为了使用这些强大的工具，医院通常必须将其私有的患者笔记发送到由技术公司拥有的远程服务器上。这种传输造成了法律和安全方面的困境：将原始患者数据发送给第三方通常需要冗长的法律合同，并带有敏感信息可能被泄露或存储在不属于其控制范围的地方的风险。
研究员伊利亚·西比里亚科夫（Ilya Sibagov）提出了一种不同的方法来弥合这一差距，这种方法既能保证数据安全，又不会减慢工作进度。他的团队开发了一个直接位于医生电脑上的过滤器系统，而不是将原始笔记发送到云端。这个被称为“零信任数据脱敏”（Zero-Trust Data Sanitization）的系统，会在文本被输入或粘贴的瞬间进行扫描。它会立即识别并将每一处个人信息替换为通用的、无意义的代码，然后再让数据离开计算机。随后，计算机将仅包含这些代码的数据发送给人工智能。人工智能处理医学信息并使用这些代码返回答案。最后，医生电脑上的系统会将代码换回原始的姓名和数字，使医生能够像处理从未改变过一样阅读最终报告。这个过程发生得如此迅速，且完全在计算机的临时内存中完成，以至于数据从未以其原始形式接触过硬盘或远程服务器。
这项工作的核心是一种旨在满足《健康保险流通与责任法案》（HIPAA）中被称为“安全港”（Safe Harbor）条款的方法。该规则规定，如果一份文档删除了所有 18 种类型的个人标识符，它就不再被视为私密健康信息，可以自由共享。研究人员构建了一个工具，能够自动寻找这 18 个类别，其中包括姓名、地址、电话号码、社会安全号码、医疗记录号码，甚至包括生日或入院日期等特定日期。在一次涉及 2,500 份包含此类信息的合成医学文档的测试中，该系统成功识别并替换了 99.94% 的个人细节。该系统也非常快速，处理一份标准的临床笔记平均仅需 1.84 毫秒。相比之下，传统的向中央服务器发送数据进行清洗的方法耗时超过 242 毫秒，这使得新方法比前者快了一百倍以上。
这种方法的独特之处在于清洗发生的地点。在传统模型中，原始文本会通过互联网传输到服务器，在那里进行清洗后再传回。这段旅程创造了一个数据存在于网络中并可能被拦截或被服务提供商存储的脆弱窗口。新系统确保清洗过程完全在用户的设备上、在计算机的易失性内存中完成，这是一种一旦程序关闭就会消失的临时存储类型。研究人员通过在计算机完全断开互联网连接的情况下测试系统验证了这一点。即使在离线状态下，系统也能成功识别并替换个人信息，证明它并不依赖外部连接来运行。此外，当系统在联网状态下进行测试时，网络监控工具证实，实际的个人信息从未在网络中传输过任何字节。
该研究还解决了自动化清洗工具的一个常见问题：担心它们可能会误删重要的医学术语。例如，一个简单的过滤器可能会将医学缩写误认为人名并将其删除，从而破坏笔记的含义。为了防止这种情况，该系统包含了一个拥有超过 12,000 个医学术语和缩略语的专门列表。在测试中，这使得系统能够在清洗个人数据的同时，保持关键医学语言不受影响，从而实现了极低的 0.12% 错误率。研究人员证明，这种方法允许医院和研究团队使用先进的人工智能工具，而无需与技术公司签署复杂的法律协议，因为这些公司实际上从未接收到私密的患者数据。
这项工作的意义延伸到了跨多家医院管理临床试验的方式。在涉及数十个医疗中心的大型研究中，研究人员通常需要整合来自不同地点的笔记，以寻找药物作用的模式。通常，这需要巨大的法律和行政工作来确保每个地点的资料都能安全共享。有了这个新系统，任何医院的研究人员都可以将笔记输入到一个安全的界面中，使其瞬间清除个人细节，然后发送到中央分析工具。最终结果将在恢复原始患者身份后，仅返回给获得授权的研究人员。研究人员确认，这一过程在计算机硬盘上不留任何痕迹；一旦会话关闭，将代码映射回真实姓名的临时映射表也会被立即销毁。
这项研究为日益增长的医疗隐私需求与创新渴望之间的紧张关系提供了一个务实的解决方案。通过将安全步骤移至流程的最前端——即医生输入笔记的那一刻——该系统消除了数据在传输过程中处于脆弱状态的需求。作者强调，这并非一个理论概念，而是一个针对严格监管标准进行了测试的运行系统。它提供了一条路径，让医院可以在保持最高数据隐私标准并遵守法律的同时，利用人工智能的力量来改善患者护理并加速研究。这项工作表明，只要具备正确的技术保障措施，对数据泄露的担忧就不会成为使用当今医学领域最先进工具的障碍。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。