AI en deep learning uitbesteden in de gezondheidszorg: Dataprivacy beschermen

Jonathan Martin, EMEA Operations Director bij Anomali, benadrukt hoe kunstmatige intelligentie en deep learning de gezondheidszorg transformeren door actionable insights te leveren. Open-source frameworks zoals Theano, Torch, CNTK en TensorFlow maken accurate voorspellingen mogelijk voor aandoeningen variërend van kanker tot hart- en vaatziekten, gebaseerd op beeldvorming en klinische data.

De integratie van AI in medische workflows is niet optioneel - het is een strategische imperatief. Toch is de weg naar voren beset met uitdagingen, met name een chronische tekort aan technisch gespecialiseerde professionals. Hoewel cybersecurity-talent deze gap kan vullen, loopt het aanbod van gekwalificeerde experts achter op de vraag in de hele industrie.

De complexiteit wordt vergroot door de vereiste toegang tot Persoonlijk Identificeerbare Informatie (PII). PII is een prijzensdoel bij cyberaanvallen, wat de bescherming ervan cruciaal maakt. In 2019 ging de Britse National Health Service (NHS) een samenwerking aan met DeepMind, een dochter van Alphabet/Google, om 1,6 miljoen patiëntendossiers te analyseren - inclusief bloedtesten, diagnostische beeldvorming, HIV-status en medicatiegeschiedenis - wat serieuze privacybezorgdheden oproerde.

De WannaCry-ransomware-incident benadrukte de verwoestende impact van een enkele inbraak op de nationale gezondheidsinfrastructuur. Ondanks dergelijke risico's blijven de potentiële voordelen van AI te significant om te negeren. De oplossing ligt in het opbouwen van robuuste technische capaciteit in-house en het afdwingen van strenge data-handlingsprotocollen.

Belangrijke beschermingsmaatregelen zijn:

• Omschrijving en pseudonymisatie - Verwijder alle PII voordat data de organisatie verlaat. Alleen een vertrouwde partner zou de mapping tussen patiëntidentificatoren en hun pseudonymen moeten bewaren.
• Verwijdering van semi-gevoelige attributen - Geografische locatie of andere contextuele data kunnen ongewild heridentificatie mogelijk maken en moeten worden weggelaten tenzij absoluut noodzakelijk.

Deze praktijken verminderen risico's, maar zijn niet onfeilbaar. Een studie van Carnegie Mellon University onthulde dat sociale zekerheidsnummers vaak gereconstrueerd konden worden uit kennelijk onschuldige velden zoals geboortedatum en geslacht, wat de limieten van conventionele de-identificatie demonstreert.

Opkomende technologieën zoals federated learning en homomorphe encryptie bellen sterker privacygaranties. Federated learning houdt ruwe data on-premises terwijl model-updates geaggregeerd worden, terwijl homomorphe encryptie berekening op versleutelde data mogelijk maakt zonder decryptie - effectief de blootstelling van PII eliminerend.

Hoewel deze oplossingen nog rijpen, moet de gezondheidszorgsector een balans vinden tussen het benutten van AI's transformatieve kracht en het beschermen van patiëntvertrouwelijkheid. Doorlopende investering in gespecialiseerd personeel, veilige architecturen en privacy-verbeterende technieken zal de hoeksteen zijn van verantwoord AI-adoptie.

Auteur: Jonathan Martin, EMEA Operations Director bij Anomali