HIPAA-Konformität und der Schutz von Gesundheitsdaten mithilfe von Private AI

Jun 8, 2023
Share this post
Sharing to FacebookSharing to LinkedInSharing to XSharing to Email

Gesundheitsorganisationen sind verpflichtet, einen sensiblen Balanceakt zwischen dem Schutz von Gesundheitsdaten und der Offenlegung dieser hochgradig nützlichen Daten zur Forschung und Innovation für bessere Gesundheitsdienste durchzuführen. Oft bedarf es eines Kompromisses zwischen diesen beiden Interessen, da das Ausschließen oder Ändern von Daten zum Schutz der Privatsphäre von Einzelpersonen häufig zu Lasten der Datenverwendbarkeit erfolgt.Für Amerikanische Unternehmen gibt der Health Insurance Portability and Accountability Act (HIPAA) glücklicherweise Anweisungen, was zum Schutz der Privatsphäre bei der Offenlegung von Gesundheitsdaten zu tun ist. Das Gesetz trifft somit eine verbindliche Entscheidung darüber, welche Informationen aus einem Datensatz ausgeschlossen werden müssen, um das Risiko der Wiederidentifizierung von Personen, deren Daten im Datensatz enthalten sind, ausreichend zu senken.Dieser Beitrag stellt die Anforderungen der HIPAA Safe Harbour-Konformität dar, präsentiert den Ansatz von Private AI, um diese Anforderungen zu erfüllen, und veranschaulicht dies anhand einer Fallstudie, wie Private AI Providence dabei geholfen hat, sichere Konversations-AI-Modelle auf anonymisierten Gesundheitsdaten zu trainieren. Abschließend erklären wir allgemeine nicht-technische Prinzipien, die verwendet werden können, um einen Datensatz aus Sicht des Re-Identifikationsrisikos zu bewerten.

Was gilt als Gesundheitsdaten?

Gemäß HIPAA umfasst das Konzept geschützter Gesundheitsdaten (Protected Health Information - „PHI“) nicht nur Informationen, die sich auf die geistige oder körperliche Gesundheit einer Person beziehen, sondern auch alle personenbezogenen Informationen (Personally Identifiable Information - „PII“), die im selben Kontext wie solche gesundheitsbezogenen Informationen erscheinen. Weitere Details finden Sie in unserem Beitrag mit dem Titel "What is PHI?"

HIPAA Safe Harbour-Konformität

Im Gesundheitswesen kann eine fehlerhafte Verwaltung von Daten zu massiven Geldstrafen und langfristigen Schäden für den Ruf eines Unternehmens führen. Eine Möglichkeit, Geldstrafen zu reduzieren und den Ruf der Einrichtung zu schützen, besteht darin, die Safe Harbour-Regelung von HIPAA einzuhalten.Trotz des Namens schützt die Einhaltung dieser Regelung nicht vollständig vor Überprüfungen durch das Gesundheits- und Sozialministerium (Health and Human Services - „HHS“) oder finanziellen Strafen im Falle von Datenverstößen. Überprüfungen werden jedoch in Dauer und Umfang reduziert und Geldstrafen gesenkt. Darüber hinaus bietet die Einhaltung erheblichen Schutz gegen Sicherheitsvorfälle und Datenverstöße. Sie können in unserem aktuellen Blogbeitrag "Cost of a Data Breach" mehr über die wichtigen Kostenfaktoren der gesetzlichen Konformität erfahren.Die Safe Harbour-Regelung enthält eine Liste von 18 Entitäten, die entfernt werden müssen, um Gesundheitsdaten zu anonymisieren, die dann mit einer dritten Partei geteilt werden können. Was folgt ist ein frei übersetzter Auszug der HIPAA Safe Harbour-Regelung:164.514(2)(i) Die folgenden Identifikatoren der Person oder von Verwandten, Arbeitgebern oder Haushaltsmitgliedern der Person werden entfernt:(A) Namen(B) Alle geografischen Unterteilungen kleiner als ein Bundesstaat, einschließlich Straße, Stadt, Bezirk, Landkreis, Postleitzahl und deren äquivalente Geocodes, mit Ausnahme der ersten drei Ziffern der Postleitzahl, wenn gemäß den aktuellen öffentlich verfügbaren Daten des Büros für Volkszählung:(1) Die geografische Einheit, die sich aus der Kombination aller Postleitzahlen mit denselben drei Anfangsziffern bildet, mehr als 20.000 Menschen enthält; und(2) Die ersten drei Ziffern einer Postleitzahl für alle solchen geografischen Einheiten, die 20.000 oder weniger Menschen enthalten, in 000 umgewandelt werden.(C) Alle Elemente eines Datums (abgesehen vom Jahr) für Daten, die unmittelbar mit einer Person in Verbindung stehen, einschließlich Geburtsdatum, Aufnahmedatum, Entlassungsdatum, Todesdatum und alle Altersangaben über 89 sowie alle Elemente eines Datums (einschließlich des Jahres), die auf dieses Alter hinweisen, es sei denn, diese Altersangaben und Elemente können in eine einzige Alterskategorie von „90 oder älter“ zusammengefasst werden.(D) Telefonnummern(L) Fahrzeugidentifikations- und Seriennummern, einschließlich Kennzeichen(E) Faxnummern(M) Gerätekennungen und Seriennummern(F) E-Mail-Adressen(N) Web Universal Resource Locators (URLs)(G) Sozialversicherungsnummern(O) Internetprotokoll (IP)-Adressen(H) Krankenaktennummern(P) Biometrische Identifikatoren, einschließlich Finger- und Stimmabdrücke(I) Krankenversicherungsnummer(Q) Fotografien des ganzen Gesichts und vergleichbare Bilder(J) Kontonummern(R) Jede andere eindeutige Identifikationsnummer, Charakteristik oder jeder andere Code, außer in den Fällen, in denen dies gemäß Absatz (c) dieses Abschnitts zulässig ist [Absatz (c) wird im Abschnitt "Re-Identifikation" dargelegt]; und(K) Zertifikat/LizenznummernPrivate AI erkennt und entfernt alle 18 dieser Entitäten mit einer Genauigkeit, die höher ist als die eines Menschen, und dies direkt vor Ort, was bedeutet, dass die Daten einer Gesundheitsorganisation ihre Umgebung niemals verlassen. Bei der Entwicklung des Systems erkannte Private AI die Notwendigkeit von Robustheit gegenüber Fehlern bei der optischen Zeichenerkennung (Optical Character Recognition – „OCR“), Grammatikfehlern und Rechtschreibfehlern. Der folgende medizinische Bericht zeigt diese Fähigkeiten auf:

Fallstudie

Um mehr darüber zu erfahren, wie Private AI dazu beigetragen hat, dass Gesundheitsorganisationen die Einhaltung von HIPAA gewährleisten, laden Sie unsere Fallstudie im Gesundheitswesen (nur auf Englisch verfügbar) herunter.

Re-Identifikationsrisiko

Neben der Entfernung der aufgeführten 18 Entitäten aus dem Datensatz erfordert die HIPAA Safe Harbour-Regelung auch, dass die regulierte Gesundheitsorganisation keine tatsächliche Kenntnis darüber hat, dass die offengelegten Informationen, allein oder in Kombination mit anderen Informationen, zur Identifizierung einer Person, die Gegenstand der Informationen ist, verwendet werden könnten.Das HHS weist darauf hin, dass die Bestimmung der tatsächlichen Kenntnis unter Berücksichtigung des konkreten voraussichtlichen Informationsempfängers erfolgen muss. Wenn die regulierte Gesundheitsorganisation beispielsweise weiß, dass der Datenempfänger detaillierte Informationen über eine Person hat, deren Daten in dem Datensatz enthalten sind, z. B. weil sie ein Familienmitglied des Datenempfängers ist und die Person deshalb trotz der Entfernung aller 18 Entitäten aus dem Datensatz identifiziert werden könnte, würde dies eine tatsächliche Kenntnis im Sinne der Safe Harbour-Regelung darstellen. Wenn die regulierte Gesundheitsorganisation darüber informiert wird, dass der Datenempfänger über Technologie verfügt, die es ermöglicht, Personen aus dem Datensatz zu identifizieren, bedeutet dies ebenfalls, dass die Einrichtung die Informationen nicht in einer mit der Safe Harbour-Regelung konformen Weise an diesen Empfänger weitergeben kann.Auf der anderen Seite stellt das HHS auch klar, dass das allgemeine Wissen um das Vorhandensein solcher Technologien keine tatsächliche Kenntnis im genannten Sinne darstellt. Vielmehr muss bewertet werden, ob der konkrete Datenempfänger Zugang zu solchen Technologien hat.Die Bestimmung des Re-Identifikationsrisikos ist bereits schwierig genug, wenn es nur einen Datenempfänger gibt und das Risiko durch Vereinbarungen zur Datenverwendung oder eingeschränkten Zugriff gemindert werden kann. Die Aufgabe wird umso schwieriger, wenn der Datensatz halböffentlich, d. h. mit der Anforderung, sich zu registrieren und unter Einhaltung bestimmter Nutzungsbedingungen, oder öffentlich ohne Einschränkung weitergegeben werden soll. Diese drei verschiedenen Freigabemodelle müssen bei der Bewertung des Risikos der Re-Identifikation vor der Offenlegung eines Datensatzes berücksichtigt werden.Es gibt viele weitere Faktoren, die bei der Bestimmung des Re-Identifikationsrisikos von Personen, deren Informationen in einem Datensatz offengelegt werden sollen, berücksichtigt werden müssen. Aus nicht-technischer Sicht und ohne den Anspruch auf Vollständigkeit gibt es hier drei allgemeine Prinzipien, die bei der Bewertung der Re-Identifikationsrisikos eines Datensatzes beachtet werden sollten:

  1. Replizierbarkeit

Informationen über eine Person, die sich wahrscheinlich nicht oder nur schwer ändern lassen, bergen ein höheres Risiko der Re-Identifizierung, wenn sie weitergegeben werden. Da Informationen wie das Geburtsdatum, die Blutgruppe oder die Nummer der Krankenversicherungskarte unverändert bleiben, werden sie in den Datensätzen immer wieder zusammen mit anderen Informationen über die betreffende Person erscheinen. Dadurch ist es möglich, verschiedene Datensätze zu einer Person übereinander zu legen, verschiedene Informationen über die Person zu kombinieren und so das Risiko zu erhöhen, dass ein Gesundheitsdatensatz mit direkt identifizierbaren Informationen abgeglichen werden kann.Die Postleitzahl oder der Blutdruck einer Person hingegen sind variabel und können daher in verschiedenen Datensätzen mit Informationen über die Person unterschiedlich sein. Daher ist es weniger riskant, solche Informationen in einer Gesundheitsakte zu speichern, die offengelegt werden soll. 

  1. Verfügbarkeit von Datenquellen

Bei der Bewertung des Risikos der Re-Identifikation ist es entscheidend, nicht nur zu prüfen, ob in den Gesundheitsdaten versehentlich erkennbare Informationen zurückgeblieben sind. Es muss auch festgestellt werden, welche anderen Datenquellen vorhanden und dem Datenempfänger zugänglich sind und weitere Informationen zu den Personen enthalten, deren Informationen im betreffenden Datensatz enthalten sind. Wenn diese externen Datenquellen replizierbare Informationen enthalten, muss sichergestellt werden, dass die zu offenbarenden Daten nicht auf eine Weise angereichert werden können, die die Personen identifiziert.Häufig freiverfügbare Datenquellen, die replizierbare Informationen enthalten, sind Wählerdaten, Geburts- und Heiratsregister. Und Sie haben vielleicht von diesem riesigen Datenspeicher namens soziale Medien gehört.

  1. Unterscheidbarkeit

Das dritte Prinzip zur Bewertung des Re-Identifikationsrisikos ist die Unterscheidbarkeit der Person anhand der verfügbaren Daten. Die Bestimmung der unterscheidenden Merkmale einer Person ist nicht so einfach, wie es zunächst scheinen mag. Die Kombination aus 5-stelliger Postleitzahl, Geschlecht und Geburtsdatum kann 87 Prozent der US-Bevölkerung eindeutig identifizieren, und Merkmale wie Narben oder seltene Krankheiten können ebenfalls eine Person recht eindeutig unterscheiden.

Fazit

Es erfordert erhebliches technisches und statistisches Fachwissen, um mit Sicherheit zu bestimmen, ob ein Datensatz ausreichend de-identifiziert ist, so dass seine Offenlegung ein geringes Risiko der Re-Identifizierung mit sich bringt. Die Identifizierung und Entfernung von PHI muss jedoch nicht schwierig sein. Private AI kann diesen Teil der Aufgabe schnell und mühelos erledigen. Wenn Sie die Technologie in Aktion sehen möchten, probieren Sie unsere Web-Demo aus oder fordern Sie einen API-Schlüssel an, um sie selbst an Ihren eigenen Daten auszuprobieren.

Data Left Behind: AI Scribes’ Promises in Healthcare

Data Left Behind: Healthcare’s Untapped Goldmine

The Future of Health Data: How New Tech is Changing the Game

Why is linguistics essential when dealing with healthcare data?

Why Health Data Strategies Fail Before They Start

Private AI to Redefine Enterprise Data Privacy and Compliance with NVIDIA

EDPB’s Pseudonymization Guideline and the Challenge of Unstructured Data

HHS’ proposed HIPAA Amendment to Strengthen Cybersecurity in Healthcare and how Private AI can Support Compliance

Japan's Health Data Anonymization Act: Enabling Large-Scale Health Research

What the International AI Safety Report 2025 has to say about Privacy Risks from General Purpose AI

Private AI 4.0: Your Data’s Potential, Protected and Unlocked

How Private AI Facilitates GDPR Compliance for AI Models: Insights from the EDPB's Latest Opinion

Navigating the New Frontier of Data Privacy: Protecting Confidential Company Information in the Age of AI

Belgium’s Data Protection Authority on the Interplay of the EU AI Act and the GDPR

Enhancing Compliance with US Privacy Regulations for the Insurance Industry Using Private AI

Navigating Compliance with Quebec’s Act Respecting Health and Social Services Information Through Private AI’s De-identification Technology

Unlocking New Levels of Accuracy in Privacy-Preserving AI with Co-Reference Resolution

Strengthened Data Protection Enforcement on the Horizon in Japan

How Private AI Can Help to Comply with Thailand's PDPA

How Private AI Can Help Financial Institutions Comply with OSFI Guidelines

The American Privacy Rights Act – The Next Generation of Privacy Laws

How Private AI Can Help with Compliance under China’s Personal Information Protection Law (PIPL)

PII Redaction for Reviews Data: Ensuring Privacy Compliance when Using Review APIs

Independent Review Certifies Private AI’s PII Identification Model as Secure and Reliable

To Use or Not to Use AI: A Delicate Balance Between Productivity and Privacy

To Use or Not to Use AI: A Delicate Balance Between Productivity and Privacy

News from NIST: Dioptra, AI Risk Management Framework (AI RMF) Generative AI Profile, and How PII Identification and Redaction can Support Suggested Best Practices

Handling Personal Information by Financial Institutions in Japan – The Strict Requirements of the FSA Guidelines

日本における金融機関の個人情報の取り扱い - 金融庁ガイドラインの要件

Leveraging Private AI to Meet the EDPB’s AI Audit Checklist for GDPR-Compliant AI Systems

Who is Responsible for Protecting PII?

How Private AI can help the Public Sector to Comply with the Strengthening Cyber Security and Building Trust in the Public Sector Act, 2024

A Comparison of the Approaches to Generative AI in Japan and China

Updated OECD AI Principles to keep up with novel and increased risks from general purpose and generative AI

Is Consent Required for Processing Personal Data via LLMs?

The evolving landscape of data privacy legislation in healthcare in Germany

The CIO’s and CISO’s Guide for Proactive Reporting and DLP with Private AI and Elastic

The Evolving Landscape of Health Data Protection Laws in the United States

Comparing Privacy and Safety Concerns Around Llama 2, GPT4, and Gemini

How to Safely Redact PII from Segment Events using Destination Insert Functions and Private AI API

WHO’s AI Ethics and Governance Guidance for Large Multi-Modal Models operating in the Health Sector – Data Protection Considerations

How to Protect Confidential Corporate Information in the ChatGPT Era

Unlocking the Power of Retrieval Augmented Generation with Added Privacy: A Comprehensive Guide

Leveraging ChatGPT and other AI Tools for Legal Services

Leveraging ChatGPT and other AI tools for HR

Leveraging ChatGPT in the Banking Industry

Law 25 and Data Transfers Outside of Quebec

The Colorado and Connecticut Data Privacy Acts

Unlocking Compliance with the Japanese Data Privacy Act (APPI) using Private AI

Tokenization and Its Benefits for Data Protection

Private AI Launches Cloud API to Streamline Data Privacy

Processing of Special Categories of Data in Germany

End-to-end Privacy Management

Privacy Breach Reporting Requirements under Law25

Migrating Your Privacy Workflows from Amazon Comprehend to Private AI

A Comparison of the Approaches to Generative AI in the US and EU

Benefits of AI in Healthcare and Data Sources (Part 1)

Privacy Attacks against Data and AI Models (Part 3)

Risks of Noncompliance and Challenges around Privacy-Preserving Techniques (Part 2)

Enhancing Data Lake Security: A Guide to PII Scanning in S3 buckets

The Costs of a Data Breach in the Healthcare Sector and its Privacy Compliance Implications

Navigating GDPR Compliance in the Life Cycle of LLM-Based Solutions

What’s New in Version 3.8

How to Protect Your Business from Data Leaks: Lessons from Toyota and the Department of Home Affairs

New York's Acceptable Use of AI Policy: A Focus on Privacy Obligations

Safeguarding Personal Data in Sentiment Analysis: A Guide to PII Anonymization

Changes to South Korea’s Personal Information Protection Act to Take Effect on March 15, 2024

Australia’s Plan to Regulate High-Risk AI

How Private AI can help comply with the EU AI Act

Comment la Loi 25 Impacte l'Utilisation de ChatGPT et de l'IA en Général

Endgültiger Entwurf des Gesetzes über Künstliche Intelligenz – Datenschutzpflichten der KI-Modelle mit Allgemeinem Verwendungszweck

How Law25 Impacts the Use of ChatGPT and AI in General

Is Salesforce Law25 Compliant?

Creating De-Identified Embeddings

Exciting Updates in 3.7

EU AI Act Final Draft – Obligations of General-Purpose AI Systems relating to Data Privacy

FTC Privacy Enforcement Actions Against AI Companies

The CCPA, CPRA, and California's Evolving Data Protection Landscape

HIPAA Compliance – Expert Determination Aided by Private AI

Private AI Software As a Service Agreement

EU's Review of Canada's Data Protection Adequacy: Implications for Ongoing Privacy Reform

Acceptable Use Policy

ISO/IEC 42001: A New Standard for Ethical and Responsible AI Management

Reviewing OpenAI's 31st Jan 2024 Privacy and Business Terms Updates

Comparing OpenAI vs. Azure OpenAI Services

Quebec’s Draft Regulation Respecting the Anonymization of Personal Information

Version 3.6 Release: Enhanced Streaming, Auto Model Selection, and More in Our Data Privacy Platform

Brazil's LGPD: Anonymization, Pseudonymization, and Access Requests

LGPD do Brasil: Anonimização, Pseudonimização e Solicitações de Acesso à Informação

Canada’s Principles for Responsible, Trustworthy and Privacy-Protective Generative AI Technologies and How to Comply Using Private AI

Private AI Named One of The Most Innovative RegTech Companies by RegTech100

Data Integrity, Data Security, and the New NIST Cybersecurity Framework

Safeguarding Privacy with Commercial LLMs

Cybersecurity in the Public Sector: Protecting Vital Services

Privacy Impact Assessment (PIA) Requirements under Law25

Elevate Your Experience with Version 3.5

Fine-Tuning LLMs with a Focus on Privacy

GDPR in Germany: Challenges of German Data Privacy (Part 2)

Comply with US Executive Order on Safe, Secure, and Trustworthy Artificial Intelligence using Private AI

How to Comply with EU AI Act using PrivateGPT