Privacidade na coleta de dados pessoais sensíveis de pacientes:
Bibliographic record
Abstract
A rápida expansão do uso da inteligência artificial tem trazido avanços em diversos aspectos da vida moderna. No entanto, é essencial considerar implicações relacionadas à privacidade dos dados pessoais de saúde. Este artigo visa abordar estas preocupações e analisar o atual cenário de uso da inteligência artificial na saúde pública brasileira. São discutidos impactos e desafios decorrentes dessa abordagem com base nas regulamentações existentes, como a Lei Geral de Proteção de Dados Pessoais (LGPD) no Brasil. A coleta de dados pessoais sensíveis é uma prática comum na área da saúde, com o objetivo de melhorar a prestação de serviços e promover a saúde da população. Porém, o uso da inteligência artificial levanta preocupações, sendo necessário preservar a privacidade dos seus titulares em consonância com a LGPD. Anonimização de dados pessoais sensíveis, consentimento informado dos pacientes e proteção dos dados são alguns desafios. A utilização da inteligência artificial na saúde pública requer o armazenamento e o processamento de grandes quantidades de dados. É essencial, portanto, implementar medidas de segurança robustas para proteger esses dados contra acesso não autorizado, violações e ataques cibernéticos. Torna-se premente, portanto, a implementação de medidas que assegurem não somente proteção ao compartilhamento indevido, como também ao acesso não autorizado. A pesquisa foi conduzida por meio de revisão sistemática de literatura, abrangendo artigos científicos, relatórios governamentais e regulamentações relacionadas à privacidade e proteção de dados. A revisão inclui estudos publicados nos últimos cinco anos, com foco em abordagens de inteligência artificial e suas implicações para a privacidade dos pacientes. Os resultados indicam que a coleta de dados pessoais sensíveis de saúde é uma prática comum. No entanto, o uso da inteligência artificial requer acesso a dados dos pacientes, como histórico médico, resultados de exames, informações sobre doenças, entre outros, e isso levanta preocupações sobre a privacidade. As instituições governamentais têm o dever de criar políticas públicas e fornecer os investimentos necessários para que a inteligência artificial melhore o processo de tomada de decisões em benefício da população. As instituições de saúde pública têm o desafio de implementar políticas, procedimentos e medidas técnicas, visando a privacidade na coleta e armazenamento de dados pessoais sensíveis, especialmente, no que se refere à anonimização, consentimento e proteção dos dados.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".