Denne artikkelen er produsert og finansiert av Nasjonalt senter for e-helseforskning - les mer.
Maskinlæring hjelper forskerne med å lære av store mengder helsedata samtidig som det ikke går ut over personvernet til hver enkelt.(Foto: Shutterstock / NTB)
Når kunstig intelligens passer på personvernet, kan den være veien til bedre helsehjelp
Hvordan forske på helsedata uten å spre helseopplysninger som du helst vil holde for deg selv? Teknologier som kan fremme personvern sørger for at forskerne kan lære av dataene samtidig som personvernet ivaretas.
Innsikt i helsedata kan forandre spillereglene for forskning og pasientbehandling. Men veien dit er ikke uten hindringer.
Vi ønsker å utnytte helsedata for å gi bedre behandling og bruke ressursene bedre. Men det kolliderer ofte med strenge regler for å bruke helseopplysninger. Heldigvis finnes det teknologier som passer på dette. Vi kaller dem personvernfremmende teknologier. De åpner døren for sikker og effektiv analyse av helsedata.
En ny forskningsrapport fra Nasjonalt senter for e-helseforskning presenterer
to slike teknologier: føderert læring og syntetiske data.
Rapporten utforsker hvordan de to teknologiene kan løse problemet med tilgang til helsedata som holder høy
kvalitet. Samtidig må det være nok data til at de kan brukes til forskning og tjenesteutvikling.
Helsedata: Strengt bevoktet gullgruve
Helsetjenesten produserer enorme mengder
data. Hvis vi bruker denne informasjonen riktig, vil det kunne hjelpe
forskningen. Dessuten kan informasjonen forbedre diagnostikk og sørge for at vi bruker ressursene i helsetjenesten
på en smart måte.
Kunstig intelligens (KI) har vist seg
å være et kraftig verktøy for å analysere store mengder helsedata raskt og
effektivt. Det gjelder spesielt maskinlæring.
Alexandra Makhlysheva forsker på nye måter for maskinlæring som kan hjelpe oss med å lære av helsedata uten at det går ut over personvernet.(Foto: Nasjonalt senter for e-helseforskning)
Helseopplysninger er ikke
bare verdifulle – de er også sensitive. Bruken er sterkt regulert. Det er
vanskelig å få tilgang til helsedata for sekundærbruk.
– Å sørge for at reglene om personvern og datasikkerhet
blir fulgt, tar mye tid og innsats. Det sier seniorrådgiver Alexandra Makhlysheva i avdeling for helsedata og analyse ved Nasjonalt senter for e-helseforskning. Hun er en av forfattere av rapporten.
Personvern og datasikkerhet gjør det vanskeligere å få tilgang til data å trene på og å spre bruken av KI i helse- og omsorgstjenesten.
– Personvernfremmende
teknologier kan hjelpe til med å samle, behandle, analysere og dele data mens datasikkerhet
og personvern ivaretas, sier Makhlysheva.
Samarbeid uten datalekkasje
Føderert læring er en type maskinlæring
som lar oss analysere dataene der de allerede er lagret. Samtidig hindrer denne læringen at dataene blir sett av eller delt med andre.
Teknologien
gir bedre kontroll over egne data, økt personvern og muligheten til å analysere
større og mer representative datasett. Dette kan hjelpe til med å ta bedre
beslutninger om behandling. Det kan gi bedre helsehjelp til pasientene, uavhengig av
hvor de behandles eller hva de lider av.
Å bruke føderert læring gjør det også enklere å oppfylle kravene til hvordan data
må behandles slik at prinsippene om personvern etterleves.
Men teknologien fører med seg noen problemer. Blant annet er det ulikheter i dataformater og IKT-infrastrukturer
i organisasjonene som skal samarbeide om dataanalyse. Læringen gir dessuten økt press på
kommunikasjonssystemer. Den kan føre med seg risikoer for datasikkerheten.
– Det er utfordringer med å trygge dataene
i alle systemer. Derfor er det viktig å ha et sikkert system for kommunikasjon. Det
finnes også flere mekanismer som kan brukes for å styrke datasikkerheten og
personvernet i fødererte systemer, kommenterer Makhlysheva.
Realistiske, men anonyme alternativer
Annonse
Syntetiske data er data som lages kunstig. De lages ved at en generativ modell for maskinlæring trenes med reelle data. At modellen er generativ, vil si at den bruker læringen til å skape nytt innhold.
Disse dataene beholder de statistiske egenskapene til det originale datasettet, men de inneholder ikke informasjon om faktiske pasienter.
Dette er nyttig når vi ikke
har nok ekte treningsdata. Det gir oss større og mer representative
datagrunnlag. Samtidig reduserer det risikoen for at noen kan finne ut hvem
personene bak dataene er. I kombinasjon med andre personvernfremmende metoder kan
syntetiske data redusere risikoen for brudd på personvernet.
Syntetiske data kan brukes i helse- og
omsorgstjenesten til å utvikle modeller for maskinlæring. Senere kan vi sjekke
hvordan modellene fungerer opp mot reelle data.
Det er også nyttig å dele slike
data åpent. Slik kan flere bruke dem til forskning. Men det er ikke problemfritt å bruke syntetiske data. Det kan føre til nye skjevheter. Forskerne må passe på statistisk likhet med originale data og vurdere kostnadseffektivitet.
– Hvor nyttig det er å bruke syntetiske
data i helse- og omsorgstjenesten, vil være forskjellig i ulike situasjoner. Vi
må teste dem grundig for å være sikre på at de passer til det vi trenger. Samtidig må vi sikre at risikoen for brudd på personvernet er lav, sier Makhlysheva.
Trenger bedre verktøy
– Føderert læring og syntetiske data er gode
verktøy for å beskytte personvernet når vi analyserer helsedata. For at disse
teknologiene skal kunne brukes praksis, trenger vi mer forskning, sier hun.
– Vi trenger å forbedre verktøy og metoder og å teste dem ut i praksis. Da kan de virkelig oppnå
sitt fulle potensial og hjelpe oss med å bruke KI på en trygg og nyttig måte i
helsetjenesten.
– Teknologiene skal kunne gjøre helse- og
omsorgstjenesten bedre for alle – både enkeltpersoner, tjenesten og samfunnet
generelt – men de må hele tiden utvikles videre, sier Alexandra Makhlysheva.
Føderert læring er en type
maskinlæring som lar oss analysere dataene der de allerede er lagret og
samtidig hindrer at de blir sett av eller delt med andre.
Syntetiske data er kunstig
genererte data som produseres ved å trene en generativ maskinlæringsmodell med
reelle data. De beholder de statistiske egenskapene til det originale
datasettet, men de inneholder ikke informasjon om faktiske pasienter.
En nøkkelrapport utgitt av Direktoratet
for e-helse, Tilgang
til data til kunstig intelligens i helse- og omsorgstjenesten, anbefaler
samarbeid med forsknings- og fagmiljøer. Dette samarbeidet skal blant annet utvikle
kunnskap om personvernfremmende teknologier som gir sikker innsamling,
behandling og deling av helsedata.
