[ad_1]

حراج 2 میلیارد دلاری گوگل برای Fitbit در ماه گذشته با نگرانی طرفداران حفظ حریم خصوصی در مورد چگونگی استفاده غول فناوری از داده های تناسب اندام شخصی روبرو شد. این واکنش غول فناوری را بر آن داشت تا روشن کند که این خرید “مربوط به دستگاه ها بود نه داده ها”.

این معامله مشكل بزرگ تری را به وجود آورده است كه به نظر می رسد همه ما از آن چشم پوشی می كنیم: هر روز میلیون ها نفر به طور عمومی اطلاعات بهداشتی شخصی به ظاهر بی ضرر را با بسیاری از ذینفعان از جمله كارفرمایان ، شركت های بیمه ، ارائه دهندگان و حتی اینترنت به اشتراک می گذارند.

این امر به ویژه در زمانی که صدها آزمایش بالینی وجود دارد ، بعضی از آنها با صدها هزار شرکت کننده ، ممکن است برای استفاده از داده های ردیابی تناسب اندام برای بررسی موارد چاقی گرفته تا علائم COVID-19 ، اجازه بگیرند. سپس ، در خدمت سلامت عمومی ، بسیاری از این مجموعه داده ها در دسترس عموم قرار می گیرند تا به سایر محققان اجازه دهد تحقیقات خود را انجام دهند یا تحقیقات جدید انجام دهند. اما این وضعیت بدون خطر نیست.

نمونه هایی از داده های خوب برای مراحل به اشتراک گذاشته شده در شبکه های اجتماعی عمومی: بستر اتصال Garmin (سمت چپ) ، مراحل Fitbit به طور خودکار در توییتر به اشتراک گذاشته می شود (راست).

در جهانی که شرکت کنندگان در مطالعه “ناشناس” به سادگی با استفاده از یک پایگاه داده شجره نامه شناسایی می شوند ، یک تصور بزرگ برای شرکت کنندگان مخربی که می توانند هویت واقعی یک شرکت کننده در مطالعه را با مثلث زدن مثل چیزی مانند تعداد شما ، درک کنند ، یک جهش بزرگ نیست. مراحل

در نظر بگیرید که داده های تناسب اندام مانند تعداد گام ها فقط یک توالی از اعداد است ، همانطور که DNA دنباله ای از نوکلئوتیدهای C ، G ، T و A است. هرچه طول یک دنباله افزایش می یابد ، احتمال اینکه کسی دقیقاً آن توالی را داشته باشد به طور تصاعدی کاهش می یابد. .

فقط شش روز شمارش مراحل کافی است تا شما را در بین 100 میلیون نفر دیگر منحصر به فرد معرفی کنید. تعداد مراحل یک کلید منحصر به فرد است که می تواند برای مطابقت با ثبت گام هفتگی از آخرین توییت به تعداد مراحل “ناشناس” در یک مجموعه داده تحقیق – یک مجموعه داده که ممکن است حاوی اطلاعات حساس دیگری مانند تشخیص سلامت روان باشد ، استفاده شود. بدون تعدیل دوره ، افشای چنین داده هایی با استفاده از این نوع تلاش برای شناسایی مجدد آسان تر خواهد شد ، همانطور که برای سایر مجموعه های داده پیچیده در گذشته نیز وجود داشته است.

طرح های حمله برای شناسایی مجدد بر اساس داده های پوشیدنی. فرد مبتلا به بیماری قلبی تصمیم می گیرد در یک مطالعه تحقیقاتی شرکت کند که علاوه بر اطلاعاتی درباره وضعیت خود ، اطلاعات مربوط به فعالیت بدنی را از طریق دستگاه پوشیدنی نیز جمع آوری می کند (1). شرکت کننده همچنین از یک شبکه اجتماعی برای به اشتراک گذاشتن نتایج فعالیت بدنی خود و تعیین اهداف هفتگی استفاده می کند (2). در پایان مطالعه ، داده های نظرسنجی ناشناس و در دسترس عموم قرار می گیرند (3). یک بازیگر مخرب می تواند یک مجموعه ناشناس از داده ها و داده های ارسال شده در یک شبکه اجتماعی را بازیابی کرده و آنها را در سری های زمانی برای فعالیت بدنی مقایسه کند (4). بازیگر مخرب می تواند مجدداً شرکت کننده در مطالعه را شناسایی کرده و هویت خود را در شبکه اجتماعی با وضعیت پزشکی پیوند دهد (5).

برای کاهش این خطرات ، به طور ایده آل ، شاهد تغییرات اساسی در مدل های تجاری شرکت هایی هستیم که اطلاعات تناسب اندام را جمع آوری می کنند. در ضمن ، ما باید به شرکت کنندگان در نظرسنجی در مورد خطرات نشت داده های پوشیدنی آنها از طریق کانال های دیگر آموزش دهیم. اگر کسی در مطالعه ای که شامل استفاده از پوشیدنی های شخصی خود است ، ثبت نام می کند ، محققان باید به آنها هشدار دهند که اگر فرد نگران حریم خصوصی آنها است ، داشبورد عمومی را خاموش کرده و با استفاده از داده های خود از برنامه های دیگر جدا شوند.

محققان همچنین باید از وجود مجموعه داده ها اطمینان حاصل کنند نه ساده لوحانه در معرض دید عموم قرار گرفت ، اما در عوض فقط برای محققان واجد شرایط که متعهد به رعایت رازداری از شرکت کنندگان هستند استفاده می شود. به منظور ارائه داده بدون محدودیت ، محققان باید رضایت آگاهانه قابل توجهی از معافیت را نشان دهند و اثبات کنند درست است، واقعی هویت زدایی (اخیراً روشهای محرمانه افتراقی توسط Google برای ارتباطات مربوط به COVID-19 و همچنین سرشماری ایالات متحده برای انجام سرشماری سال 2020 استفاده شده است. با این حال ، این روشها هنوز در مرحله بررسی داده های تناسب اندام هستند.)

در سطح گسترده تر ، حساسیت داده های تناسب اندام بیش از خطر شناسایی مجدد افراد است ، بنابراین خطر واقعی برای هر فردی با یک محصول بهداشتی دیجیتال ایجاد می شود. داده های تناسب اندام حاوی اطلاعاتی در مورد قلب ، خواب و ریه های ما است – و به زودی اطلاعات کافی در مورد دانش ما وجود دارد.

الزام هر یک از ما برای مدیریت این نوع ریسک به مرور زمان ، زیرا افراد غیرقابل قبول است ، خصوصاً از آنجا که جمع کننده ها ، تجمع کنندگان و کاربران این داده ها محدودیتی ندارند که آنها را مجبور به رعایت اصول اخلاقی ، محرمانه بودن داده ها و ضد تبعیض کند.

ما به اصلاح سیستمی از طریق قانونگذاری در مورد مدلهای دیجیتالی نیاز داریم ، که منعکس کننده قانون عدم تبعیض اطلاعات ژنتیکی (GINA) است. GINA از حق قانون اساسی برای مصون بودن اطلاعات ژنتیکی آمریکایی ها در مورد بیمه درمانی و استخدام دفاع می کند. مدت زمان طولانی است که ایجاد همان محافظت ها در سالن بدن سازی و سایر داده های بهداشتی گرفته شده – و محافظت نشده از طریق دیجیتال می شود.

حسگرهای قابل حمل و سایر حسگرها می توانند نحوه درک سلامت انسان و جمعیت را تغییر دهند و آنها می توانند این کار را در مقیاس انجام دهند. برای اطمینان از اینکه ما از این ابزارها برای کمک به بهبود زندگی و آسیب رساندن به آنها استفاده می کنیم ، محافظت از حریم خصوصی بهتری لازم است. بلافاصله. مستقیما.

لوکا فوسکینی (calimagna) یک بنیانگذار و دانشمند ارشد داده در Evidation ، یک شرکت تجزیه و تحلیل داده های سلامت است که در حال توسعه روش های جدید برای اندازه گیری سلامت در زندگی روزمره با رعایت حریم خصوصی است. تحقیقات Foscini در پزشکی دیجیتال امنیت سایبری ، یادگیری ماشین و محرمانه بودن داده های (بزرگ) را پوشش می دهد.

جنیفر ک. گلدزاک (goldsackjen) بنیانگذار و به عنوان مدیر اجرایی انجمن پزشکی دیجیتال (_DiMeSociety) ، یک سازمان غیرانتفاعی 501 (c) (3) ، اختصاص داده شده به توسعه پزشکی دیجیتال برای بهینه سازی سلامت انسان. تحقیقات Goldsack بر رویکردهای کاربردی برای استفاده ایمن ، موثر و منصفانه از فناوری های دیجیتال برای بهبود بهداشت ، مراقبت های بهداشتی و تحقیقات بهداشتی متمرکز است.

آندره کانتینلا (_conand) استادیار دانشکده مهندسی برق ، ریاضیات و علوم کامپیوتر ، دانشگاه توئنته و عضو آزمایشگاه بین المللی سیستم های ایمن (iSecLab) است. تحقیقات Continella بر جنبه های مختلف امنیت رایانه متمرکز است ، که به طور سنتی به عنوان “امنیت سیستم” شناخته می شود.

یو-شیان وانگ استادیار علوم رایانه ای اوژن آاس در دانشگاه سانتا باربارا و مدیر مشترک مرکز یادگیری ماشین مسئول UCSB است. تحقیقات اخیر وانگ بر تئوری و الگوریتم های یادگیری ماشین ، تقویت یادگیری و زندگی شخصی افتراقی متمرکز است.

فوشچینی ، گلدزاک ، کانتینلا و وانگ جدا از اشتغال فعلی خود ، افشای مالی مربوطه را گزارش نکردند.

نویسندگان از اندی کوراووس (آزمایشگاه های الکترا) و جان ویلبانکس (سابق از Sage Bionetworks) برای نظرات و پیشنهادات بصیرانه خود تشکر می کنند.



[ad_2]

منبع: gharb-khabar.ir