A classification module in data masking framework for Business Intelligence platform in healthcare
Notice bibliographique
Résumé
Healthcare organizations are undergoing tremendous change in analytical computing. The vehicle for this change is implementing a Business Intelligence (BI) platform, which includes On-Line Analytical Processing (OLAP) Cubes, data visualization tools, and integrated data warehouse (DW). Extracting sensitive data (Personally Identifiable Information-PII, Personal Health Information-PHI) from operational databases, then saving them into a consolidated central repository to facilitate efficient analysis are the best solution. This solution demonstrates a good understanding of overall business operational performance and trends as well as improves the business processes through using statistical and data mining methods. Nonetheless, this huge data warehouse (DW) constitutes one of the most serious privacy breach threats that any healthcare organization might face when many internal users of different security levels have access to BI components. Data masking techniques are used to minimize the inadvertent disclosure risk of sensitive data as well as to preserve the basic quality of data analytics (data utility). However, the traditional masking methods fail to maintain the utility of data analysis for reporting and research purposes. In this paper a practical classification component for a built-in data masking framework (IMETU-Identify, Map, Execute, Test, and Utilize) is proposed and focuses on the first two modules. The analyzed health data attributes are based on the Discharge Abstract Database (DAD - Acute Inpatient in Canada). The proposed component is to identify the sensitive data, and select the best masking format to provide more data privacy and protection at rest (i.e., it can accurately be drilled down to a monthly aggregated level). This Module allows sensitive data attributes to be safely used and complies with the privacy regulatory requirements within the healthcare data warehouse by mapping them with the proper irreversible or reversible masking techniques. Native encryption techniques are avoided due to complex calculation and increase storage space.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».