《Journal of Epidemiology and Population Health》：Performance of pseudonymization methods applied to hospital documents in the context of health data warehouses
编辑推荐：
摘要引言法国健康数据仓库（HDWs）的发展引发了对个人数据保护的担忧。法规要求健康研究使用匿名化或假名化数据。本研究评估了由巴黎公立医院集团（AP-HP）开发的文档假名化工具，该工具集成了命名实体识别方法，是 NOVA 健康合作小组在利摩日大学医院建立 HDW 计划的一部分。
摘要
引言
法国健康数据仓库（HDWs）的发展引发了对个人数据保护的担忧。法规要求健康研究使用匿名化或假名化数据。本研究评估了由巴黎公立医院集团（AP-HP）开发的文档假名化工具，该工具集成了命名实体识别方法，是 NOVA 健康合作小组在利摩日大学医院建立 HDW 计划的一部分。
方法
这项单中心观察性研究评估了 AP-HP 假名化算法在利摩日大学医院文档中的性能。语料库包括从 Crossway 临床信息系统软件中提取的文档。研究旨在识别揭示患者身份的重识别标签。按文档类型、医院部门和患者计算了精确度、召回率和 F1 分数。
结果
AP-HP 算法的总体 F1 分数达到 79%，不同标签类型、文档格式和部门之间的性能从 15% 到 96% 不等。大多数假阳性和假阴性出现在姓氏（25% 和 21%）、名字（23% 和 18%）和日期（13% 和 14%）中。该算法在电子邮件和电话号码方面表现最佳（假阳性和假阴性分别为 0.5% 和 0.5%；4% 和 3%）。按文档类型，信函表现最佳（假阳性 5%，假阴性 6%）。每位患者而言，多达六份文档的性能良好（80%），但超过六份时显著下降（-25%）。
结论
虽然 AP-HP 算法显示出强大的标签识别能力，但需要在利摩日大学医院进行详细的错误分析和正则表达式的上下文适应，以优化准确性并确保在 HDW 数据使用完全遵守通用数据保护条例。
引言
健康数据仓库（HDWs）是一种安全的基础设施，旨在集中、存储和利用源自医院信息系统（HIS）的异构数据 [1,2]。在法国，HDWs 是“法国 2030"国家战略的重要组成部分，该战略在维持高标准患者保密性的同时，推广常规收集的医疗数据的二次使用 [3]。在利摩日大学医院，目前正在与 NOVA 健康合作小组合作开发 HDW，使得新阿基坦地区三所大学医院之间可以分享专业知识并共享资源 [3]。医疗数据既包括直接识别的个人信息，也包括与患者护理相关的临床或行政数据。这些数据是流行病学和临床研究的基本资源，因为它们有助于更好地了解疾病，识别风险因素，并优化护理路径 [4]。然而，个人健康信息的敏感性引发了重大的隐私担忧 [[4], [5], [6]]。在法国，国家信息技术和公民自由委员会（CNIL）确保遵守法律和道德要求，特别是通过其 HDWs 参考框架，力求在科学有效性与个人数据保护之间取得平衡 [7,8]。在欧洲层面，通用数据保护条例（GDPR）提供了一个全面框架，规范个人数据的处理，纳入了数据最小化和使用假名化以降低重识别风险等原则 [9]。假名化涉及移除或替换直接识别信息（例如姓名、出生日期、社保号码），并用代理值代替。与不可逆地消除重识别可能性的匿名化不同，假名化是一个可逆过程，它保留了在严格控制和正当理由条件下恢复患者身份的能力——特别是用于临床随访或护理质量评估 [10]。对于非结构化文本文档，假名化主要依赖于命名实体识别（NER），旨在识别可能揭示患者身份的文本元素 [[11], [12], [13], [14]]。通常采用三种主要方法：依赖正则表达式或词库的规则方法；在标注语料库上训练神经模型的深度学习方法；以及结合两种策略以最大化召回率的混合方法 [[11], [12], [13], [14]]。
尽管有多种假名化解决方案可用，但它们在法国 HDWs 中的部署记录仍不充分。少数大型倡议之一是由巴黎公立医院集团（AP-HP）进行的，该集团开发了一个集成规则方法和机器学习方法的假名化流水线，并在其机构 HDW 上对其性能进行了广泛评估 [15]。本研究旨在评估该 AP-HP 解决方案应用于利摩日大学医院文档时的性能 [16]。主要目标是评估基于 NER 的 AP-HP 假名化算法的性能，以 F1 分数为主要标准。次要目标是根据文档类型、医院部门和患者级文档分组评估精确度、召回率和 F1 分数。
章节片段
方法
这项回顾性观察性研究在单中心进行，兼具描述性和分析性目标。截至 2024 年 12 月 19 日，使用最新可用验证版本，从 Crossway 临床信息系统中提取了总共 2936 份医院文档。所有从 Crossway 提取的文档都被纳入。缺乏任何文本内容的文档被排除在标注之外，因为它们不包含任何有助于识别标签的信息。两个样本
结果
可重复性：GS 标注者间一致性评估得出 F1 分数为 96%。
描述性分析：参考集的描述性分析表明，扫描文档最为普遍（49%），其次是 RTF 文档（27%）和结构化 PDF（18%）（见附录 7）。关于重识别标签，有些出现频率较低，例如电话号码（在 584 份文档中的 9.9% 中发现：38 份中出现一次，15 份中出现两次，5 份文档中出现三次或更多次）。相比之下，
讨论
目前的发现表明，(1) AP-HP 假名化算法在应用于利摩日大学医院文档时取得了良好的总体性能，F1 分数为 79%；(2) 性能根据标签类型有显著变化，通用格式标识符（例如电话号码、电子邮件地址）比医院特定标签（如医院名称或行政标识符）检测得更准确；并且 (3) 性能在不同
结论
本研究评估了 AP-HP 假名化算法在利摩日大学医院文档上的表现。该算法显示出良好的总体性能，F1 分数达到 79%。然而，结果在不同标签类型、文档格式和临床部门之间存在差异，反映了文档结构的差异以及 OCR 对文本质量的影响。
通过本地规则适应、增强 OCR 预处理、患者级错误分析和迭代
作者贡献
JM 构思了研究，开发了概念框架并设计了方法学。DM 在 CA 的贡献和 MV 对数据标注和整理的支持下进行了研究。CA 检索了 AP-HP 算法并在利摩日大学医院（法国）的文档上实施。DM 起草了原稿。JM 对原稿及所有后续版本进行了批判性修订，并监督了整体工作。FR 提供了方法学指导并
报告清单
本研究按照 TRIPOD+AI 指南的建议进行（个体预后或诊断的多变量预测模型透明报告——人工智能）[23]，由于其与评估将人工智能算法应用于健康数据的预测模型的研究具有特定相关性，被选为基准评估框架。
伦理批准
本研究符合 MR-004 监管框架的要求。
数据可用性
由于保密限制，数据和文档不对公众开放。利摩日自适应模型准备好后将以开源形式提供给科学界。
资助
该项目由法国利摩日大学医院和公共投资银行（BPI）作为“法国 2030"计划的一部分共同资助，资助协议编号：DOS0207195。
Dounia Meddad|Caroline Adou-Le Bris|Marion Vergonjeanne|Guillaume Coulaud|Erij Ameur|Welba Danwe Danwang|Arnold Didier Ghomsi Talla|Romain Griffier|Fabien Rastello|Julien Magne
