[发明专利]医疗数据脱敏方法及系统

说明书

本发明属于数据处理技术领域，公开了一种医疗数据脱敏方法及系统，医疗数据脱敏方法，包括：将采集的医疗数据进行文本数据和非文本数据的分类；提取文本数据中的关键词，保留非关键词的原文，将提取的关键词和非文本数据作为待脱敏数据；对待脱敏数据进行个人身份信息、个人医疗信息、日期信息、地址信息和其他信息的分类；对分类后的信息进行脱敏处理。医疗数据脱敏系统包括：数据分类模块、敏感词提取模块、字段分类模块和数据脱敏模块。本发明所提供的医疗数据脱敏方法及系统，可以完成针对医疗数据的全自动化脱敏，用户只需要输入医疗数据所包含的医疗字段；可以针对多元化的医疗数据进行脱敏。

技术领域

本发明属于数据处理技术领域，具体涉及一种医疗数据脱敏方法及系统。

背景技术

医疗数据中涉及大量患者个人特征的信息，如患者的姓名、联系电话、出生地、生活轨迹、病情描述等等，这些信息需要进行隐私保护，因为一旦泄露，会对患者造成伤害。现有的文本数据脱敏算法基于模式匹配机制，去静态匹配文本中的关键词进行处理。这会导致三个问题：

1.针对姓名等规律性较弱的隐私信息无法做到精准匹配。比如：一旦文本中出现关键词“张”，则将“张”及之后的两个字符当作人名进行删除。但如果文本信息是“静脉曲张现象明显”，则该方法则会错误地将“张现象”当作人名；

2.不能基于上下文信息来动态判断敏感数据。比如：病人的病情描述中可能出现“四川省南部县人民医院”字样，现有方法会将“南部县”当作敏感信息遮盖打码，从而只留下“四川省***人民医院”；然而“四川省南部县人民医院”并不涉及病人的出生地信息，不需要进行脱敏处理；并且“四川省***人民医院”会出现指代不明的情况，会和四川省的众多人民医院混淆;

3.静态匹配规则需要脱敏人员提前穷举出敏感信息所有可能的数据格式，但面对形式多样化的文本数据，仍有可能存在遗漏。比如：病人的病情描述中可能出现病人的就诊日期为“2023年五月6日”，这个日期并非标准格式：2023年5月6日、2023/5/6、2023/05/06，因而很难被静态匹配。

发明内容

本发明旨在至少在一定程度上解决上述技术问题。为此，本发明目的在于提供一种医疗数据脱敏方法及系统。

本发明所采用的技术方案为：

一种医疗数据脱敏方法，包括以下步骤：

S1、将采集的医疗数据进行文本数据和非文本数据的分类；

S2、提取文本数据中的关键词，保留非关键词的原文，将提取的关键词和非文本数据作为待脱敏数据；

S3、对待脱敏数据进行个人身份信息、个人医疗信息、日期信息、地址信息和其他信息的分类；

S4、对分类后的信息进行脱敏处理：对个人身份信息进行加密处理，对个人医疗信息和日期信息进行模糊化处理，对地址信息进行掩码遮盖处理获得文本描述，对其他信息保留原文处理。

优选地，步骤S2中，Pointer Network模型基于Transformer框架对BERT模型的Attention机制进行改进得到BERT-Pointer Network模型；BERT-Pointer Network模型将文本信息基于上下文信息转化为词向量并提取文本数据中的关键词。

优选地，步骤S3包括：BERT模型将文本信息基于上下文信息转化为词向量；PCA模型对BERT模型的输出结果进行主成分分解，合并相似医疗字段，删除无关医疗字段；使用聚类算法对PCA模型的输出结果进行聚类。

优选地，通过聚类算法判断新数据与个人身份信息、个人医疗信息、日期信息、地址信息四类数据的余弦距离，若新数据和其中一类数据的距离最近且低于预设阈值，则将新数据分配到这一类别的数据中；若新数据和四类数据的距离都大于预设阈值，则将新数据标注为其他信息。