Mengidentifikasi Kembali Orang Melalui Data Kesehatan yang Dapat Dikenakan dan Pembelajaran Mesin

Sebuah serangan privasi baru berdasarkan data kesehatan yang dapat dikenakan telah diidentifikasi oleh peneliti dari Universitas Massachusetts Lowell. Serangan Re-Identifikasi Orang (PRI-Attack) menggunakan data yang sesuai dengan HIPAA, yang tersedia secara publik dari perangkat kesehatan yang dapat dikenakan, untuk menetapkan identitas individu dari data denyut jantung, pernapasan, dan gerakan tangan, di antara lainnya.

Kerentanan ini dimungkinkan di Amerika Serikat oleh fakta bahwa Undang-Undang Portabilitas dan Akuntabilitas Asuransi Kesehatan (HIPAA), meskipun mengharuskan data medis tetap anonim, tidak mempertimbangkan data sensor mentah (seperti suhu kulit dan data akselerometer) sebagai data yang sensitif privasi, dan oleh karena itu tidak mengharuskan data yang dibagikan secara publik dari jenis ini untuk dienkripsi atau tunduk pada perlindungan umum yang sama yang diberikan kepada bentuk tradisional data pasien, seperti catatan kesehatan.

Dari Vektor ke Visual

Serangan PRI-Attack menggunakan data gambar yang diinterpretasikan untuk membedakan pola umum yang berkaitan dengan jenis data kesehatan lainnya. Respon kulit seseorang, misalnya, dapat dievaluasi dari video (fotopletismografi), dan berkaitan dengan informasi vektor yang seharusnya benar-benar anonim dari perangkat pemantau kesehatan seperti jam tangan yang dapat dikenakan, dan jenis perangkat pemantau lainnya. Fotopletismografi menghasilkan data denyut jantung, yang dapat dipasangkan dengan data jantung yang tidak diidentifikasi dari perangkat kesehatan yang dapat dikenakan.

Pengenalan gerakan adalah ‘kunci’ lain yang dapat dengan mudah diterjemahkan dari data vektor ke dalam matriks visual yang, lagi-lagi, memungkinkan data gambar/video yang diinterpretasikan untuk berkaitan dengan informasi akselerometer yang tampaknya anonim dalam data kesehatan.

Informasi gerakan tangan dari data yang dapat dikenakan. Sumber: https://arxiv.org/pdf/2106.11900.pdf

Data Sensor sebagai PII

Penelitian, dari Asisten Profesor Mohammad Arif Ul Alam dari UML, berpendapat bahwa data sensor fisiologis dapat memang merupakan PII, dan pada dasarnya adalah analog biologis dari teknik sidik jari browser yang saat ini dipercaya untuk melemahkan inisiatif baru untuk melindungi privasi pengguna di web.

Untuk menguji hipotesis, peneliti mengembangkan kerangka pengenalan dan lokalisisasi gerakan tangan yang menginterpretasikan data gerakan (yang direkam berdasarkan vektor) dari akselerometer yang dapat dikenakan, dan menerjemahkan gerakan tersebut ke dalam catatan visual yang dapat berkaitan dengan gerakan yang direkam oleh perangkat kesehatan yang dapat dikenakan.

Sebuah Jaringan Saraf Siamese Multi-Modal (mm-SNN) dibangun untuk menginterpretasikan informasi gerakan yang diklasifikasikan melalui Mesin Vektor Dukungan (SVM). Salah satu jaringan menangani informasi vektor (diinterpretasikan sebagai informasi gambar dalam ruang 3D) dan jaringan kedua menangani data fisiologis yang direkam dari data sensor.

Pengujian

Sistem ini diuji pada berbagai dataset, termasuk ‘Dataset Kelelahan Pemain’ yang diperoleh dengan mengumpulkan data pada lima mahasiswa relawan, berusia 19-25 tahun, yang bermain game selama tujuh hari sambil mengenakan gelang Empatica E4 wristband. Jam tangan ini dilengkapi dengan akselerometer, konteks elektrodermal (EDA), suhu kulit, dan fotopletismografi (PPG) sensor.

E4 juga digunakan dalam dataset ‘data restoran’ yang baru, di mana delapan relawan menyiapkan dan makan sandwich selama dua puluh menit, dan dalam dataset ‘orang tua’ yang berusia 75-95 tahun, melakukan tiga belas aktivitas yang ditulis sambil mengenakan jam tangan.

Akhirnya, peneliti menggunakan dataset ‘Orang Dewasa Sehat Kelelahan’ yang tersedia secara publik, yang memantau 28 pria dan wanita sehat dengan rata-rata usia 42 selama 1-219 hari berturut-turut sambil mengenakan perangkat wearable multisensor yang mirip dengan kemampuan pengumpulan data E4, termasuk akselerometer 3-sumbu, elektroda respons kulit galvanik, suhu, dan sensor foto, serta barometer.

Hasilnya menunjukkan bahwa denyut jantung dan laju pernapasan adalah cara yang paling pasti untuk reidentifikasi, dengan skor akurasi rata-rata >66%.

Hasil dari pengujian metode PRI-Attack. Crib: PPG: fotopletismografi; HR: denyut jantung; BR: laju pernapasan; PVP: Denyut Volume Darah (diperoleh dari PPG); IBI: Interval Antara Denyut (diperoleh dari PPG); TC: Komponen Tonic dari sinyal EDA; Komponen Fasik dari data EDA (Ibid); Temp: Suhu.

Penelitian ini menyimpulkan:

‘Sementara teknologi visi komputer modern dapat dengan mudah digunakan untuk mempelajari gerakan tangan dan sinyal fisiologis (denyut jantung, laju pernapasan) dari kamera pengawas publik, jumlah besar video yang direkam dapat dengan mudah digunakan oleh penyerang untuk mempelajari biometrik spesifik pengguna untuk mengungkapkan identitas dari data sensor yang dapat dikenakan yang sesuai dengan HIPAA.’

HIPAA Menganggap Data PHR ‘Dianonimkan Secara Default’

Pemerintah AS telah mengakui pertumbuhan catatan kesehatan pribadi (PHR), dan mengklasifikasikan catatan tersebut (termasuk data dari perangkat kesehatan yang dapat dikenakan) sebagai ‘catatan elektronik informasi kesehatan individu yang dikendalikan oleh individu untuk mengakses informasi dan mungkin memiliki kemampuan untuk mengelola, melacak, dan berpartisipasi dalam perawatan kesehatannya sendiri’.

Namun, karena ini adalah fenomena dari sektor swasta, pemerintah mengakui tidak ada pengawasan resmi atas data tersebut, dengan telah menetapkan bahwa data tersebut tidak mengandung informasi yang dapat diidentifikasi secara pribadi (PII). Laporan laporan pada Juni 2016 tentang entitas non-tercover HIPAA dari Departemen Kesehatan dan Layanan Masyarakat AS menyatakan:

‘[Besar] kesenjangan dalam kebijakan akses, keamanan, dan privasi berlanjut, dan kebingungan tetap ada di antara konsumen dan inovator. Pelacak kebugaran yang dapat dikenakan, media sosial kesehatan, dan aplikasi kesehatan seluler didasarkan pada gagasan keterlibatan konsumen. Namun, hukum dan peraturan kita belum mengikuti teknologi baru ini.’