პაციენტის კონფიდენციალურობა – რისთვის არის საჭირო? ჰიპოკრატეს ფიცი, რომელიც მსოფლიოში ერთ-ერთ უძველეს და ყველაზე ფართოდ ცნობილ სამედიცინო ეთიკის ტექსტად ითვლება, ამბობს: „რაც არ უნდა ვნახო ან მოვისმინო ჩემი პაციენტების ცხოვრებაში, იქნება ეს ჩემს პროფესიულ პრაქტიკასთან დაკავშირებული თუ არა, რაზეც გარეთ საუბარი არ უნდა ხდებოდეს, საიდუმლოდ შევინახავ, რადგან ყოველივე ამას პირადულად მივიჩნევ“. როგორც მონაცემებზე ორიენტირებული ალგორითმებისა და კიბერთავდასხმების ეპოქაში კონფიდენციალურობა სულ უფრო მწირი ხდება, მედიცინა ერთ-ერთი იმ მცირერიცხოვანი სფეროთაგანია, სადაც საიდუმლოების დაცვა პრაქტიკის ცენტრალურ ნაწილად რჩება, რაც პაციენტებს აძლევს საშუალებას ენდონ თავიანთ ექიმებს მგრძნობიარე ინფორმაციის გამჟღავნებისას. თუმცა, MIT-ის მკვლევართა მიერ თანაავტორობით შექმნილი ნაშრომი იკვლევს, თუ როგორ შეუძლია ხელოვნური ინტელექტის მოდელებს, რომლებიც წვრთნას გადიან დეიდენტიფიცირებულ ელექტრონულ სამედიცინო ჩანაწერებზე (EHRs), პაციენტის სპეციფიკური ინფორმაციის „დამახსოვრება“. ეს ნაშრომი, რომელიც ცოტა ხნის წინ წარდგენილი იყო 2025 წლის ნერვული ინფორმაციის დამუშავების სისტემების კონფერენციაზე (NeurIPS), რეკომენდაციას უწევს მკაცრი ტესტირების სისტემის დანერგვას, რათა უზრუნველყოფილი იყოს, რომ მიზნობრივმა მოთხოვნებმა არ გამოავლინოს ინფორმაცია. ნაშრომი ხაზს უსვამს, რომ მონაცემთა გაჟონვა უნდა შეფასდეს ჯანდაცვის კონტექსტში, რათა განისაზღვროს, რამდენად მნიშვნელოვნად აყენებს ის ზიანს პაციენტის კონფიდენციალურობას. ელექტრონულ სამედიცინო ჩანაწერებზე გაწვრთნილმა ფუნდამენტურმა მოდელებმა, როგორც წესი, უნდა განაზოგადონ ცოდნა უკეთესი პროგნოზების გასაკეთებლად, მრავალი პაციენტის ჩანაწერზე დაყრდნობით. თუმცა, „დამახსოვრების“ შემთხვევაში, მოდელი ერთ კონკრეტულ პაციენტის ჩანაწერს ეყრდნობა შედეგის მისაღებად, რაც პოტენციურად არღვევს პაციენტის კონფიდენციალურობას. აღსანიშნავია, რომ ფუნდამენტური მოდელები უკვე ცნობილია, რომ მიდრეკილნი არიან მონაცემთა გაჟონვისკენ. „ცოდნა ამ მაღალი სიმძლავრის მოდელებში შეიძლება მრავალი საზოგადოებისთვის რესურსს წარმოადგენდეს, მაგრამ მტრულად განწყობილ თავდამსხმელებს შეუძლიათ მოდელი აიძულონ, რომ სავარჯიშო მონაცემებიდან ინფორმაცია ამოიღოს“, – ამბობს სანა ტონეკაბონი, MIT-ისა და ჰარვარდის Broad ინსტიტუტის ერიკ და უენდი შმიდტის ცენტრის პოსტდოქტორი და ნაშრომის პირველი ავტორი. იმ რისკის გათვალისწინებით, რომ ფუნდამენტურ მოდელებს ასევე შეუძლიათ პირადი მონაცემების დამახსოვრება, ის აღნიშნავს: „ეს ნაშრომი არის ნაბიჯი იმისკენ, რომ ჩვენმა საზოგადოებამ შეძლოს პრაქტიკული შეფასების ნაბიჯების გადადგმა მოდელების გამოშვებამდე“. EHR ფუნდამენტური მოდელების პოტენციური რისკის გამოსაკვლევად მედიცინაში, ტონეკაბონიმ მიმართა MIT-ის ასოცირებულ პროფესორ მარზიე გასემის, რომელიც არის ჯანდაცვის სფეროში მანქანური სწავლების აბდულ ლატიფ ჯამილის კლინიკის (Jameel Clinic) მთავარი მკვლევარი და კომპიუტერული მეცნიერებისა და ხელოვნური ინტელექტის ლაბორატორიის წევრი. გასემი, MIT-ის ელექტროტექნიკისა და კომპიუტერული მეცნიერების დეპარტამენტის და სამედიცინო ინჟინერიისა და მეცნიერების ინსტიტუტის ფაკულტეტის წევრი, ხელმძღვანელობს Healthy ML ჯგუფს, რომელიც ფოკუსირებულია ჯანდაცვაში მანქანური სწავლების სიმტკიცეზე. რამდენი ინფორმაცია სჭირდება ცუდ აქტორს მგრძნობიარე მონაცემების გამოსავლენად და რა რისკებია დაკავშირებული გაჟონილ ინფორმაციასთან? ამ მცდელობის შესაფასებლად, კვლევითმა ჯგუფმა შეიმუშავა ტესტების სერია, რომელიც, მათი იმედით, საფუძველს ჩაუყრის მომავალ კონფიდენციალურობის შეფასებებს. ეს ტესტები შექმნილია იმისათვის, რომ გაზომოს გაურკვევლობის სხვადასხვა ტიპი და შეაფასოს მათი პრაქტიკული რისკი პაციენტებისთვის, შეტევის შესაძლებლობის სხვადასხვა დონის გაზომვით. „ჩვენ ნამდვილად ვეცადეთ აქ პრაქტიკულობაზე გაგვეკეთებინა აქცენტი; თუ თავდამსხმელს სჭირდება თქვენი ჩანაწერიდან ათეული ლაბორატორიული ტესტის თარიღისა და მნიშვნელობის ცოდნა ინფორმაციის ამოსაღებად, ზიანის მიყენების რისკი ძალიან მცირეა. თუ უკვე მაქვს წვდომა დაცული საწყისი მონაცემების ამ დონეზე, რატომ უნდა შევუტევდე დიდ ფუნდამენტურ მოდელს მეტის მისაღებად?“ – ამბობს გასემი. სამედიცინო ჩანაწერების გარდაუვალი ციფრულიზაციით, მონაცემთა გაჟონვა უფრო ჩვეულებრივი მოვლენა გახდა. ბოლო 24 თვის განმავლობაში, აშშ-ის ჯანდაცვისა და ადამიანური მომსახურების დეპარტამენტმა დააფიქსირა ჯანმრთელობის ინფორმაციის 747 გაჟონვა, რამაც 500-ზე მეტი ადამიანი დააზარალა, მათი უმრავლესობა ჰაკერულ/IT ინციდენტებად იქნა კლასიფიცირებული. უნიკალური მდგომარეობის მქონე პაციენტები განსაკუთრებით დაუცველები არიან, იმის გათვალისწინებით, თუ რამდენად ადვილია მათი ამოცნობა. „დეიდენტიფიცირებული მონაცემების შემთხვევაშიც კი, ეს დამოკიდებულია იმაზე, თუ რა სახის ინფორმაციას გააჟონებთ ინდივიდის შესახებ“, – ამბობს ტონეკაბონი. „როგორც კი მათ იდენტიფიცირებთ, გაცილებით მეტი გეცოდინებათ“. თავიანთ სტრუქტურირებულ ტესტებში, მკვლევარებმა დაადგინეს, რომ რაც უფრო მეტი ინფორმაცია აქვს თავდამსხმელს კონკრეტული პაციენტის შესახებ, მით უფრო სავარაუდოა, რომ მოდელი ინფორმაციას გააჟონებს. მათ აჩვენეს, როგორ უნდა განასხვავონ მოდელის განზოგადების შემთხვევები პაციენტის დონის დამახსოვრებისგან, რათა სწორად შეაფასონ კონფიდენციალურობის რისკი. ნაშრომში ასევე ხაზგასახულია, რომ ზოგიერთი გაჟონვა უფრო საზიანოა, ვიდრე სხვები. მაგალითად, მოდელის მიერ პაციენტის ასაკის ან დემოგრაფიული მონაცემების გამჟღავნება შეიძლება შეფასდეს, როგორც ნაკლებად საზიანო გაჟონვა, ვიდრე მოდელის მიერ უფრო მგრძნობიარე ინფორმაციის, მაგალითად, აივ დიაგნოზის ან ალკოჰოლის ბოროტად გამოყენების, გამჟღავნება. მკვლევარები აღნიშნავენ, რომ უნიკალური მდგომარეობის მქონე პაციენტები განსაკუთრებით დაუცველები არიან, იმის გათვალისწინებით, თუ რამდენად ადვილია მათი ამოცნობა, რამაც შესაძლოა დაცვის უფრო მაღალი დონე მოითხოვოს. „დეიდენტიფიცირებული მონაცემების შემთხვევაშიც კი, ეს ნამდვილად დამოკიდებულია იმაზე, თუ რა სახის ინფორმაციას გააჟონებთ ინდივიდის შესახებ“, – ტონეკაბო...