การที่ HIPAA ไม่สามารถหยุด AI จากการลบความเป็นนิรนามของข้อมูลผู้ป่วยได้

แม้หลังจากที่โรงพยาบาลลบชื่อและรหัสไปรษณีย์ออกแล้ว AI ที่ทันสมัยยังคงสามารถระบุผู้ป่วยได้ นี่เป็นข่าวดีสำหรับบริษัทประกันภัย แต่ไม่ใช่สำหรับผู้รับบริการสุขภาพ

การวิจัยใหม่จากมหาวิทยาลัยนิวยอร์กพบว่าบันทึกทางการแพทย์ของผู้ป่วยใน美国 ซึ่งถูกลบชื่อและตัวระบุอื่นๆ ออกแล้ว สามารถทำให้ผู้ป่วยตกอยู่ในความเสี่ยงต่อการระบุถึงตัวตนได้ โดยการฝึกอบรมโมเดลภาษา AI ด้วยข้อมูลบันทึกผู้ป่วยจริงที่ไม่มีการเซ็นเซอร์ สามารถทำให้ได้รับข้อมูลที่เกี่ยวข้องกับบุคคลได้ ในบางกรณี สามารถอนุมานได้ว่าผู้ป่วยอาศัยอยู่ในย่านใดโดยพิจารณาจากการวินิจฉัยเพียงอย่างเดียว

การศึกษานี้วางความเสี่ยงนี้ในบริบทของตลาดที่มีกำไรในการขายข้อมูลสุขภาพที่ถูกลบความเป็นนิรนาม ซึ่งโรงพยาบาลและตัวแทนจำหน่ายข้อมูลขายหรือให้ใบอนุญาตบันทึกทางการแพทย์ที่ถูกลบความเป็นนิรนามให้กับบริษัทเภสัชกรรม ผู้ประกันภัย และนักพัฒนา AI

ผู้เขียนการศึกษานี้ท้าทายแนวคิดเรื่อง “การลบความเป็นนิรนาม” ที่กำหนดโดย HIPAA หลังจากที่ผู้ว่าการรัฐแมสซาชูเซตส์ วิลเลียม เวลด์ มีข้อมูลทางการแพทย์ของเขาถูกทำให้ไม่เป็นนิรนามในปี 1997

‘[แม้] ภายใต้การปฏิบัติตามข้อกำหนด Safe Harbor ที่สมบูรณ์แบบ “บันทึกที่ถูกลบความเป็นนิรนาม” ยังคงเชื่อมโยงกับข้อมูลที่เกี่ยวข้องกับบุคคลผ่านการเกี่ยวข้องที่ยืนยันความมีประโยชน์ทางคลินิกของมัน ความขัดแย้งนี้เป็นโครงสร้างมากกว่าเทคนิค’

นักวิจัยอ้างว่ากรอบการทำงานในการลบความเป็นนิรนามที่ปฏิบัติตาม HIPAA ปัจจุบันทำให้เกิดช่องทางสำหรับการโจมตีแบบ “linkage” สองช่องทาง

จากการศึกษานี้ แสดงการวิเคราะห์เชิงสาเหตุของวิธีการที่การลบความเป็นนิรนามแบบ HIPAA ลบข้อมูลที่เกี่ยวข้องออก แต่ยังคงเชื่อมโยงกับข้อมูลที่ไม่เกี่ยวข้องและข้อมูลทางการแพทย์

ในตัวอย่างข้างต้น เราจะเห็นว่าไม่เพียงแต่ผู้ป่วยตั้งครรภ์เท่านั้น แต่ยังชอบกิจกรรมที่ไม่เกี่ยวข้องกับกลุ่มที่มีรายได้น้อย ตามที่นักวิจัยกล่าว

‘แม้ว่าข้อมูลที่เกี่ยวข้องจะถูกลบออก แต่ก็ยังสามารถอนุมานได้ว่าผู้ป่วยเป็นผู้หญิงวัยผู้ใหญ่โดยพิจารณาจากการมีครรภ์ และอาศัยอยู่ในย่านร่ำรวยโดยพิจารณาจากงานอดิเรกของการขี่ม้า’

ในหนึ่งการทดลอง แม้ว่าข้อมูลที่เกี่ยวข้องจะถูกลบออกไปแล้ว แต่บันทึกทางการแพทย์มากกว่า 220,000 รายการจากผู้ป่วย 170,000 คนของ NYU Langone ยังคงมีสัญญาณที่เพียงพอในการอนุมานลักษณะประชากรศาสตร์

การเจาะลึก

โมเดลภาษา AI ที่ใช้ BERT ได้รับการฝึกอบรมเพื่อคาดการณ์หกคุณลักษณะจากบันทึกที่ถูกลบความเป็นนิรนาม และโมเดลนี้สามารถทำได้ดีกว่าการเดาแบบสุ่มด้วยตัวอย่างการฝึกอบรมเพียง 1,000 ตัวอย่าง

เพื่อความเป็นจริงในการทดลอง ผู้วิจัยได้ใช้ลักษณะที่อนุมานได้ในการโจมตีแบบ “linkage” ต่อบันทึกของ NYU Langone โดยสร้างความเสี่ยงสูงสุดในการระบุถึงตัวตนของผู้ป่วยที่ 0.34% ซึ่งมากกว่าฐานที่มีความเสี่ยงสูงสุด 37 เท่า

การวิจัยนี้วางความเสี่ยงนี้ในบริบทของตลาดที่มีกำไรในการขายข้อมูลสุขภาพที่ถูกลบความเป็นนิรนาม และผู้วิจัยอ้างว่าผู้ที่มีแนวโน้มที่จะได้รับประโยชน์จากช่องโหว่นี้คือบริษัทใหญ่ที่เกี่ยวข้องกับการประกันภัย

วิธีการ

เพื่อทดสอบทฤษฎีของตน ผู้วิจัยได้พัฒนาการทดลองสองขั้นตอนโดยใช้บันทึกทางการแพทย์ 222,949 รายการจากผู้ป่วย 170,283 คนของ NYU Langone

บันทึกเหล่านี้ถูกลบความเป็นนิรนามโดยใช้ UCSF philter และโมเดลภาษา AI ที่ใช้ BERT ได้รับการฝึกอบรมเพื่อคาดการณ์หกคุณลักษณะจากบันทึกเหล่านี้

การประเมินความเสี่ยง

ความเสี่ยงในการระบุถึงตัวตนของผู้ป่วยถูกคำนวณในสองขั้นตอน โดยการวัดความถี่ที่ผู้ป่วยที่แท้จริงปรากฏในรายชื่อผู้ป่วยที่มีลักษณะที่อนุมานได้ และการประมาณความเสี่ยงในการเลือกผู้ป่วยที่ถูกต้องจากในรายชื่อนั้น

ผลลัพธ์

ผลลัพธ์แสดงให้เห็นว่าโมเดลภาษา AI สามารถคาดการณ์ลักษณะของผู้ป่วยได้ดีกว่าการเดาแบบสุ่ม และความเสี่ยงในการระบุถึงตัวตนของผู้ป่วยคือ 0.34% ซึ่งมากกว่าฐานที่มีความเสี่ยงสูงสุด 37 เท่า

ผู้วิจัยสรุปว่าความเสี่ยงในการระบุถึงตัวตนของผู้ป่วยจากบันทึกทางการแพทย์ที่ถูกลบความเป็นนิรนามนั้นเป็นเรื่องที่ต้องได้รับการพิจารณาอย่างจริงจัง และการประเมินความเสี่ยงนี้ควรเป็นไปตามหลักการของ HIPAA

สรุป

เนื่องจากช่องโหว่ของ HIPAA นี้เป็นประโยชน์ต่อองค์กรขนาดใหญ่ เช่น บริษัทประกันภัย ซึ่งจะใช้ข้อมูลนี้ในลักษณะที่ไม่โปร่งใสและไม่มีการเปิดเผย การใช้ “การปิดกั้นตามกฎหมาย” เพื่อป้องกันการละเมิดความเป็นส่วนตัวจึงไม่ใช่วิธีการที่มีประสิทธิภาพ

ดังนั้น หากข้อจำกัดและมาตรการรักษาความปลอดภัยของ HIPAA กลายเป็นเพียง “ข้อตกลงระหว่าง紳士” มากกว่าการเป็นรั้วที่มีประสิทธิภาพในการป้องกันการละเมิดความเป็นส่วนตัวขององค์กรแล้ว การทบทวนข้อจำกัดเหล่านี้จึงดูเหมือนจะเป็นเรื่องที่จำเป็น

การวิจัยนี้ได้รับการตีพิมพ์ในวารสารวิชาการและสามารถเข้าถึงได้ทางออนไลน์

* การแปลงอ้างอิงภายในของผู้เขียนให้เป็นลิงก์

ตีพิมพ์ครั้งแรกวันพุธที่ 11 กุมภาพันธ์ 2026