تعد حماية خصوصية المرضى في السجلات السريرية واحدة من أهم التحديات التي تواجه قطاع الرعاية الصحية، خاصةً في ظل التشريعات مثل اللائحة العامة لحماية البيانات (GDPR) وقانون نقل التأمين الصحي (HIPAA). في السنوات الأخيرة، أصبحت الحاجة ملحة لتطوير أساليب آلية تضمن الخصوصية للأفراد مع الحفاظ على فائدة البيانات.

لا تزال عملية إزالة الهوية يدويًا تُعتبر المعيار الذهبي، ولكنها تتسم بالتكلفة العالية والوقت الطويل. لذلك، بدأت أشكال جديدة من معالجة النصوص تلقى اهتمامًا متزايدًا، ومنها التعرف على الكيانات المسماة (NER) ونماذج اللغات الضخمة (LLMs).

تُعد هذه الدراسة الأولى التي تُجرى على نطاق مقارنة بين تقنيات الخصوصية التفاضلية (DP) وNER وLLMs في سياق إزالة الهوية من النصوص السريرية الهولندية. حيث تم تحليل كل من هذه الطرق بشكل منفصل، فضلًا عن استراتيجيات هجينة تتضمن إجراء معالجة مسبقة باستخدام NER أو LLMs قبل تطبيق DP، وتقييم أدائها بناءً على تسرب الخصوصية والتقييم الخارجي مثل تصنيف الكيانات والعلاقات.

أظهرت النتائج أن آليات الخصوصية التفاضلية وحدها تؤدي إلى تدهور كبير في الفائدة. ومع ذلك، فإن دمجها مع المعالجة اللغوية المسبقة، لا سيما من خلال استخدام تقنية إزالة الهوية المعتمدة على LLMs، يُحسن بشكل كبير من توازن الخصوصية والفائدة.

فإذا كنت أحد المختصين في البيانات الصحية أو طالبًا مهتمًا بالتكنولوجيا والخصوصية، فإن هذه الدراسة تفتح آفاق جديدة في كيفية تعاملنا مع البيانات الحساسة. فما هي أفكارك حول هذا التطور؟ شاركونا في التعليقات!