مصطفی لنگری زاده - دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
اعظم اروجی - Ph.D Student of Medical Informatics, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran

مقدمه: پرونده الکترونیک سلامت حاوی اطلاعات بالینی زیادی است که برای فعالیت هایی چون پایش بهداشت عمومی، بهبود کیفیت و تحقیقات مورد استفاده قرار می گیرد. همچنین پرونده الکترونیک سلامت شامل اطلاعات سلامت قابل شناسایی است و همین موضوع اشتراک و استفاده ثانویه از پرونده ها را محدود می کند. شناسه زدایی یکی از رایج ترین روش های حفظ محرمانگی اطلاعات بیماران است. این مقاله مروری نظام مند بر تحقیقات اخیر می باشد، که به حذف تمامی شناسه ها از پرونده الکترونیک سلامت با استفاده از انواع روش های شناسه زدایی مبتنی بر یادگیری ماشین پرداخته اند. روش: این مقاله به صورت مروری نظام مند در بازه زمانی ۲۰۱۶ - ۲۰۰۶ در پایگاه های PubMed و Science direct انجام شد. مقالات با استفاده از چک لیست CASP و سپس توسط دو ارزیاب به طور مستقل بررسی و ارزشیابی شدند. در نهایت ۱۲ مقاله با معیارهای ورود مطالعه همخوانی داشتند. نتایج: مقالات منتخب بر اساس روش و منابع دانش مورد استفاده، انواع شناسه ها، نوع اسناد بالینی، چالش ها و نتایج حاصل بررسی شده اند. نتایج نشان داد که در زمان انتشار داده های بالینی برای اهداف ثانویه شناسه زدایی مبتنی بر یادگیری ماشین راهکاری مناسب برای حفظ حریم خصوصی بیماران است. همچنین ترکیب الگوریتم های یادگیری ماشین و روش هایی چون تطابق الگو و عبارات منظم می تواند نیاز به داده آموزش را کاهش دهد. نتیجه گیری: در پرونده های پزشکی اطلاعات شناسایی زیادی وجود دارد. این مطالعه نشان داد که روش های شناسه زدایی مبتنی بر یادگیری ماشین می توانند به طرز چشمگیری خطر افشای این اطلاعات را کاهش دهند.

Confidentiality, Privacy, De-identification, Machine Learning, محرمانگی, حریم خصوصی, شناسه زدایی, یادگیری ماشین, پرونده الکترونیک سلامت