World Sleep Industry ENCYCLOPEDIA

睡眠数据脱敏服务

4.4.3

定义、目的与概念边界

睡眠数据脱敏服务是针对 PSG、HSAT、可穿戴、雷达、床垫传感、卧室音视频、问卷、睡眠日记、临床文本及其关联元数据,识别并降低个人可识别性与信息披露风险的专业数据服务,归入 WSIC 4.4.3“睡眠数据服务”。它支持科研共享、算法开发、跨机构协作、教学、标注和统计发布,但不是简单删除姓名,也不是对任何接收方都适用的一次性转换。服务开始前应明确用途、接收者、发布方式、所需分析能力和可接受的剩余风险,因为公开下载、受控研究环境与机构内部使用面对的攻击面不同。

“脱敏”是实践中的宽泛称呼,需要区分匿名化、去标识、假名化、令牌化、遮蔽和加密。假名化数据若能借助映射表或其他信息重新关联个人,通常仍应按可识别数据保护;加密保护存储或传输,却保留可逆内容,也不等于去标识。真正匿名化是否成立取决于适用法律、合理可得的辅助数据、接收方能力和后续环境,不能仅靠工具报告或合同名称认定。服务方应说明实现的是哪种保护目标、谁保留重新关联能力,以及结论的适用范围和复评期限。

数据盘点、用途与威胁建模

第一步是建立完整数据清单和血缘图,覆盖源系统、数据库、对象存储、文件名、目录、压缩包清单、导出表、缓存、备份、日志、缩略图、旁车文件和标签文件。每个字段或内容元素应标记来源、语义、直接标识、准标识、敏感属性、关联键、精度、保留理由与下游依赖。睡眠数据中的风险不仅来自姓名、联系方式和病历号,也可能来自精确日期、地理位置、机构与设备编号、罕见疾病组合、极端年龄、规律作息、声音、面孔、家庭环境以及可与公开活动记录匹配的时间模式。

威胁模型要说明潜在攻击者、可获得的辅助数据、访问权限、计算能力和动机,并区分身份披露、属性披露、成员推断和关系披露。发布给公众的数据可能面对未知接收者和长期积累的外部数据,受控环境则可用身份审核、查询限制和审计降低风险。应先选择共享模型,再决定转换强度:高风险数据未必适合下载,可改用可信研究环境、远程查询、汇总输出或审批后访问。风险还会随新数据源、模型能力和接收者变化而改变,既有结论不能永久沿用。

格式感知的识别与清理

结构化表可使用删除、泛化、分箱、上下截断、稀有类别合并、受控扰动、日期偏移和一致的假名标识。简单无密钥哈希对可枚举的病历号、电话号码或设备编号容易遭受字典攻击;需要稳定关联时,应使用受控令牌或带密钥方法,并将映射、密钥与分析数据分开管理。自由文本要结合规则、实体识别和人工抽检处理姓名、地址、机构、日期及叙述性线索,同时评估误删临床含义和漏检。表格清理后仍须检查行组合是否唯一或稀少,不能只验证每个字段单独看起来安全。

波形与多媒体必须按格式检查。EDF 或 EDF+ 的患者标识、记录标识、开始日期时间、注释、信号标签以及文件名都可能泄露信息;厂商私有头、导出报告和截图也不能遗漏。DICOM 等容器还可能在私有属性、序列、像素内文字、覆盖层、缩略图或唯一标识符中保存身份。音频需处理可懂语音、姓名呼叫和环境线索,视频需处理面孔、屏幕、房间物件与同住者;仅删除元数据不会清除内容本身的识别性。处理后文件应由独立解析器重新读取,防止标识仍藏在未展示字段或容器残留中。

纵向、多模态与派生数据处理

睡眠研究常需保持同一人的多夜关系、波形与事件标签对齐、检查日与随访间隔以及跨午夜结构。日期偏移应在受试者级保持一致,并明确时区、夏令时、跨日和闰日规则;若不同表或模态各自随机偏移,会破坏连接和时间间隔。替换病例、记录、设备和事件标识时,要维护允许的内部引用完整性,同时阻断对原标识的推导。年龄概化、地理粗化和罕见类别合并也要检查是否引入逻辑矛盾,例如检查日期早于出生区间、同一设备突然跨越不可能地点或多模态流不同步。

派生数据不是天然安全。睡眠阶段、AHI、罕见事件序列、声纹特征、面部嵌入、步态、详细质量标记和高维表示仍可能具有区分性;模型、特征缓存、向量索引和合成数据还可能泄露训练成员或记忆片段。服务范围应覆盖原始数据、标签、特征、报告、模型输入输出和调试产物,并说明哪些对象不在交付范围。若只需要人群统计,可采用查询控制、阈值、噪声或差分隐私等输出保护;若需要病例级建模,则常要结合假名化、访问控制和受控环境,而非强行宣称数据已匿名。

重识别风险与数据效用联合评估

风险评估应结合预期接收者和共享环境,检查直接标识残留、唯一或小群体组合、外部数据链接、时间与地点匹配、自由文本泄露、音视频识别、成员推断及映射密钥暴露。可用记录链接测试、抽样人工审查和经授权的攻击演练验证,但测试人员不得擅自寻找真实身份。诸如 k 匿名性之类的指标只能描述特定属性和攻击假设,不能自动覆盖敏感属性同质性、背景知识、高维信号或未来数据。结论应记录攻击模型、阈值、样本、工具版本、例外和剩余风险,而不是只给“通过”。

数据效用需与隐私同时验收。应比较处理前后的记录数、字段分布、缺失率、事件计数、采样率、通道、单位、时间间隔和关联完整性,并用预定分析复算总睡眠时间、睡眠效率、睡眠阶段比例、AHI 或其他关键结果。音视频转换应验证目标事件仍可判读,文本清理应检查否定词、药名和诊断语义未被破坏。可设置按用途分层的发布版本,而不是让一个过度清理或保护不足的数据集承担所有场景。任何返工都应重新运行风险与效用测试,二者不能互相替代。

生产流程、质量体系与可验证交付

生产处理应在隔离环境中运行,采用最小权限、加密、受控导入导出和完整日志。规则、代码、配置、字典、随机种子、密钥引用和容器镜像要版本化;同一输入与批准配置应能产生可核验结果。自动扫描负责规模化覆盖,人工复核负责理解上下文,二者都需要质量抽样。测试集可植入不对应真实个人的哨兵标识,验证检测链是否生效;新字段、格式版本或厂商升级出现时应默认进入隔离和评审,而不是静默放行。原始数据与脱敏副本应有明确边界,生产人员也不应把样本复制到工单、聊天或个人设备。

交付包应包括数据字典、输入输出清单、字段与格式处理规则、工具和版本、风险评估、效用报告、已知限制、异常与人工决定、校验值和审计记录。若保留重识别映射,应单独交付或托管,定义保管人、授权流程、密钥轮换和销毁条件。删除证明要覆盖临时文件、缓存、失败任务、备份和分包商,但对尚在备份轮换期的副本应如实说明持续保护与预计清除时间。发现泄露、撤回要求或新重识别路径时,应能定位受影响版本、接收者和派生物,并触发再处理、限制访问或通知流程。

合同采购、合规边界与发展方向

合同应明确委托目的、法律与伦理基础、数据角色、允许地点和接收者、分包、跨境安排、保留期、映射表归属、允许重新关联的情形、风险阈值、效用指标、返工、事件通报、审计权、成果权利和退出删除。供应商评估要核查其是否真正理解目标格式、能否处理自由文本和多媒体、如何管理密钥与管理员权限、是否以真实工作流验证工具,以及独立评估覆盖的是整个服务还是某个基础设施组件。固定的“脱敏率”或认证名称不能代替针对本次数据、用途和共享模型的证据。

脱敏降低风险但不能纠正非法收集、超范围使用、错误同意或不必要保存,也不能保证未来永不被重新识别。策略即代码、可信研究环境、机密计算、自动内容识别、可验证删除、差分隐私和合成数据会扩展服务能力,但也带来配置错误、模型泄露、不可解释转换和效用下降等新问题。成熟服务应把脱敏视为持续治理过程:根据数据变化、接收者、外部信息、攻击技术和法规更新定期复评,并在剩余风险无法降至用途可接受水平时,改变共享方式或停止发布。