26、西班牙真实世界健康记录去识别的命名实体识别

西班牙真实世界健康记录去识别的命名实体识别

1. 引言

电子健康记录（EHR）的采用对卫生系统和医疗专业人员至关重要，也是推进医学研究和改善医疗相关服务的重要信息来源。然而，为广泛用于医学研究，需去除可识别信息以保护患者数据隐私。

EHR 以多种格式存储信息，包含临床诊断、治疗、程序等内容，尤其涉及患者和医疗专业人员的隐私。但文本字段的非结构化性质使自动提取相关概念困难，手动提取概念不可复用、耗时且成本高。

自动提取和屏蔽与个人可识别数据相关的概念成为处理 EHR 信息的首要任务，即去识别。这不仅是道德前提，也是数据隐私立法的法律要求。在美国，《健康保险流通与责任法案》（HIPAA）要求删除 18 类受保护健康信息（PHI）；欧盟的《通用数据保护条例》（GDPR）以及西班牙的《西班牙个人数据保护和数字权利保障组织法》（LOPD - GDD）禁止处理个人数据，除非屏蔽可识别信息。本文聚焦西班牙 EHR 的去识别，以符合 LOPD - GDD。

从自然语言处理（NLP）角度看，去识别临床文本是命名实体识别（NER）任务。NER 是识别文本中属于预定义语义类型的刚性指示符的过程，如人、组织、地点等。在 EHR 去识别过程中，PHI 类别被视为命名实体（NE）。

过去几十年，文本去识别有三种方法：基于规则的方法、机器学习（ML）系统和深度学习（DL）模型。早期去识别系统多基于规则，但这些方法在不同领域不可重现，因此研究人员开始设计 ML 算法，如决策树、隐马尔可夫模型、支持向量机和条件随机场（CRF）。近年来，深度神经网络在不同 NLP 任务中广泛应用，长短期记忆网络（LSTM）及其变体，如双向 LSTM（BiLSTM）和 BiLSTM - CRF