Nytt dataset SHIELD tar itu med anonymisering av kliniska anteckningar
Forskare har introducerat SHIELD, ett nytt dataset och destillerade små språkmodeller för att förbättra anonymiseringen av kliniska anteckningar, vilket möjliggör säker användning av patientdata.
Vad har hänt
Forskare har utvecklat SHIELD (Synthetic Human-annotated Identifier-replaced Entries for Learning and De-identification), ett dataset med 1 394 kliniska anteckningar innehållande 10 505 PHI-angivelser (Protected Health Information) över nio kategorier. Datasetet, som är framtaget med mångfaldssampling och mänsklig granskning, syftar till att modernisera befintliga riktmärken för anonymisering. SHIELD används för att utvärdera prestanda hos fyra stora språkmodeller (LLM) och destillera deras kapacitet till lokalt distribuerbara små språkmodeller (SLM).
Snabbfakta
| Datasetnamn | SHIELD |
|---|---|
| Antal anteckningar | 1 394 |
| Antal PHI-angivelser | 10 505 |
| Kategorier av PHI | 9 |
| Typ av modeller | Små språkmodeller (SLM) |
”De-identification of clinical text remains essential for secondary use of electronic health records (EHRs), yet public benchmarks such as i2b2 2006/2014 are over a decade old and lack the semantic and demographic diversity of modern narratives.”
Varför det spelar roll
Anonymisering av kliniska texter är avgörande för att sekundärt kunna använda elektroniska patientjournaler (EHR) för forskning och utveckling, utan att kompromettera patientintegriteten. Befintliga offentliga riktmärken, som i2b2 2006/2014, är över ett decennium gamla och saknar den semantiska och demografiska mångfalden som finns i moderna journaler. De nya datasetet och modellerna möter behovet av mer relevanta verktyg för anonymisering av känslig data. Stora språkmodeller är effektiva men har höga beräkningskostnader och kan vara problematiska gällande datastyrning när PHI hanteras via molnbaserade API:er. Destillationen till små språkmodeller möjliggör effektivare och lokalt för deployering, vilket bättre efterlever regelverk kring PHI.
Vem påverkas
Forskare inom NLP och AI, vårdpersonal, sjukhusadministratörer samt mjukvaruutvecklare som arbetar med Electronic Health Records (EHR) påverkas. Organisationer som hanterar patientjournaler kan dra nytta av de förbättrade verktygen för att anonymisera data på ett säkert sätt och därmed möjliggöra sekundär användning av data för forskning och förbättrad vård. Patienter och deras integritet är ytterst berörda då robust anonymisering skyddar känslig information.
EU-status
Ej relevant för EU-status.
Mer att veta
Författarna framhåller att SHIELD-data bygger på syntetiska, mänskligt annoterade identifierade ersättningsposter. Detta skiljer det från befintliga dataset som enbart använder verklig patientdata.
Snabba svar om den här nyheten
Vad har hänt?
När hände det?
Varför spelar det roll?
Länken öppnar i nytt fönster och leder till utgivarens egen sida.
Källan har spårats automatiskt från utgivaren via Aheadlines signalkedja.