Zentralisierte und verteilte Anonymisierung für hochdimensionale Gesundheitsdaten

Der Austausch von Gesundheitsdaten ist eine wesentliche Anforderung im Management von Gesundheitssystemen geworden; jedoch könnte eine unangemessene Weitergabe und Nutzung von Gesundheitsdaten die Privatsphäre der Patienten gefährden. In diesem Artikel untersuchen wir die Datenschutzbedenken beim Austausch von Patienteninformationen zwischen dem Hong Kong Red Cross Blood Transfusion Service (BTS) und den öffentlichen Krankenhäusern. Wir verallgemeinern ihre Informations- und Datenschutzanforderungen auf die Probleme der zentralisierten Anonymisierung und der verteilten Anonymisierung und identifizieren die Hauptschwierigkeiten, die traditionelle Methoden der Datenanonymisierung unbrauchbar machen. Darüber hinaus schlagen wir ein neues Datenschutzmodell namens LKC-Privatsphäre vor, um die Herausforderungen zu überwinden, und präsentieren zwei Anonymisierungsalgorithmen, um LKC-Privatsphäre sowohl in zentralisierten als auch in verteilten Szenarien zu erreichen. Experimente mit realen Daten zeigen, dass unsere Anonymisierungsalgorithmen effektiv die wesentlichen Informationen in anonymen Daten für die Datenanalyse beibehalten können und skalierbar sind, um große Datensätze zu anonymisieren.