定義、目的與概念邊界
睡眠資料去識別化服務是針對 PSG、HSAT、穿戴式裝置、雷達、床墊感測、臥室音訊和影片、問卷、睡眠日記、臨床文字及其關聯中繼資料,識別並降低個人可識別性與資訊披露風險的專業資料服務,歸入 WSIC 4.4.3「睡眠數據服務」。它支援科研共享、演算法開發、跨機構協作、教學、標註和統計發布,但不是簡單刪除姓名,也不是對任何接收方都適用的一次性轉換。服務開始前應明確用途、接收者、發布方式、所需分析能力和可接受的剩餘風險,因為公開下載、受控研究環境與機構內部使用面對的攻擊面不同。
「去識別化」是實務中的寬泛稱呼,需要區分匿名化、去識別、假名化、代碼化、遮蔽和加密。假名化資料若能藉助對映表或其他資訊重新關聯個人,通常仍應按可識別資料保護;加密保護儲存或傳輸,卻保留可逆內容,也不等於去識別。真正匿名化是否成立取決於適用法律、合理可得的輔助資料、接收方能力和後續環境,不能僅靠工具報告或合約名稱認定。服務方應說明實現的是哪種保護目標、誰保留重新關聯能力,以及結論的適用範圍和複評期限。
資料盤點、用途與威脅建模
第一步是建立完整資料清單和血緣圖,涵蓋來源系統、資料庫、物件儲存、檔名、目錄、壓縮套件清單、匯出表、快取、備份、日誌、縮圖、旁車檔案和標籤檔案。每個欄位或內容元素應標記來源、語義、直接標識、準標識、敏感屬性、關聯鍵、精度、保留理由與下游依賴。睡眠資料中的風險不僅來自姓名、聯絡方式和病歷號,也可能來自精確日期、地理位置、機構與設備編號、罕見疾病組合、極端年齡、規律作息、聲音、面孔、家庭環境以及可與公開活動記錄匹配的時間模式。
威脅模型要說明潛在攻擊者、可獲得的輔助資料、存取權限、運算能力和動機,並區分身分披露、屬性披露、成員推斷和關係披露。發布給公眾的資料可能面對未知接收者和長期累積的外部資料,受控環境則可用身分審核、查詢限制和稽核降低風險。應先選擇共享模型,再決定轉換強度:高風險資料未必適合下載,可改用可信研究環境、遠端查詢、彙總輸出或審批後存取。風險還會隨新資料來源、模型能力和接收者變化而改變,既有結論不能永久沿用。
格式感知的識別與清理
結構化表可使用刪除、泛化、分箱、上下截斷、罕見類別合併、受控擾動、日期偏移和一致的假名標識。簡單無金鑰雜湊對可枚舉的病歷號、電話號碼或設備編號容易遭受字典攻擊;需要穩定關聯時,應使用受控代碼或帶金鑰方法,並將對映、金鑰與分析資料分開管理。自由文字要結合規則、實體識別和人工抽檢處理姓名、地址、機構、日期及敘述性線索,同時評估誤刪臨床含義和漏檢。表格清理後仍須檢查列組合是否唯一或稀少,不能只驗證每個欄位單獨看起來安全。
波形與多媒體必須按格式檢查。EDF 或 EDF+ 的患者標識、記錄標識、開始日期時間、註釋、訊號標籤以及檔名都可能洩露資訊;廠商私有檔頭、匯出報告和螢幕擷取也不能遺漏。DICOM 等容器還可能在私有屬性、序列、像素內文字、覆蓋層、縮圖或唯一識別碼中保存身分。音訊需處理可懂語音、姓名呼叫和環境線索,影片需處理面孔、螢幕、房間物件與同住者;僅刪除中繼資料不會清除內容本身的識別性。處理後檔案應由獨立解析器重新讀取,防止標識仍藏在未顯示欄位或容器殘留中。
縱向、多模態與衍生資料處理
睡眠研究常需保持同一人的多夜關係、波形與事件標籤對齊、檢查日與追蹤間隔以及跨午夜結構。日期偏移應在受試者層級保持一致,並明確時區、日光節約時間、跨日和閏日規則;若不同表或模態各自隨機偏移,會破壞連接和時間間隔。替換病例、記錄、設備和事件標識時,要維護允許的內部參照完整性,同時阻斷對原標識的推導。年齡概化、地理粗化和罕見類別合併也要檢查是否引入邏輯矛盾,例如檢查日期早於出生區間、同一設備突然跨越不可能地點或多模態串流不同步。
衍生資料不是天然安全。睡眠階段、AHI、罕見事件序列、聲紋特徵、面部嵌入、步態、詳細品質標記和高維表示仍可能具有區分性;模型、特徵快取、向量索引和合成資料還可能洩露訓練成員或記憶片段。服務範圍應涵蓋原始資料、標籤、特徵、報告、模型輸入輸出和除錯產物,並說明哪些物件不在交付範圍。若只需要人群統計,可採用查詢控制、門檻、雜訊或差分隱私等輸出保護;若需要病例級建模,則常要結合假名化、存取控制和受控環境,而非強行宣稱資料已匿名。
重新識別風險與資料效用聯合評估
風險評估應結合預期接收者和共享環境,檢查直接標識殘留、唯一或小群體組合、外部資料連結、時間與地點匹配、自由文字洩露、音訊影片識別、成員推斷及對映金鑰暴露。可用記錄連結測試、抽樣人工審查和經授權的攻擊演練驗證,但測試人員不得擅自尋找真實身分。諸如 k 匿名性之類的指標只能描述特定屬性和攻擊假設,不能自動涵蓋敏感屬性同質性、背景知識、高維訊號或未來資料。結論應記錄攻擊模型、門檻、樣本、工具版本、例外和剩餘風險,而不是只給「通過」。
資料效用需與隱私同時驗收。應比較處理前後的記錄數、欄位分布、缺失率、事件計數、取樣率、通道、單位、時間間隔和關聯完整性,並用預定分析重算總睡眠時間、睡眠效率、睡眠階段比例、AHI 或其他關鍵結果。音訊影片轉換應驗證目標事件仍可判讀,文字清理應檢查否定詞、藥名和診斷語義未被破壞。可設定按用途分層的發布版本,而不是讓一個過度清理或保護不足的資料集承擔所有場景。任何返工都應重新執行風險與效用測試,二者不能互相取代。
生產流程、品質系統與可驗證交付
生產處理應在隔離環境中執行,採用最小權限、加密、受控匯入匯出和完整日誌。規則、程式碼、設定、字典、隨機種子、金鑰參照和容器映像檔要版本化;同一輸入與批准設定應能產生可核驗結果。自動掃描負責規模化涵蓋,人工複核負責理解上下文,二者都需要品質抽樣。測試集可植入不對應真實個人的哨兵標識,驗證偵測鏈是否生效;新欄位、格式版本或廠商升級出現時應預設進入隔離和評審,而不是靜默放行。原始資料與去識別化副本應有明確邊界,生產人員也不應把樣本複製到工單、聊天或個人設備。
交付套件應包括資料字典、輸入輸出清單、欄位與格式處理規則、工具和版本、風險評估、效用報告、已知限制、異常與人工決定、校驗值和稽核記錄。若保留重新識別對映,應單獨交付或託管,定義保管人、授權流程、金鑰輪替和銷毀條件。刪除證明要涵蓋暫存檔、快取、失敗任務、備份和分包商,但對尚在備份輪替期的副本應如實說明持續保護與預計清除時間。發現洩露、撤回要求或新重新識別路徑時,應能定位受影響版本、接收者和衍生物,並觸發再處理、限制存取或通知流程。
合約採購、合規邊界與發展方向
合約應明確委託目的、法律與倫理基礎、資料角色、允許地點和接收者、分包、跨境安排、保留期、對映表歸屬、允許重新關聯的情形、風險門檻、效用指標、返工、事件通報、稽核權、成果權利和退出刪除。供應商評估要核查其是否真正理解目標格式、能否處理自由文字和多媒體、如何管理金鑰與管理員權限、是否以真實工作流程驗證工具,以及獨立評估涵蓋的是整個服務還是某個基礎設施元件。固定的「去識別率」或認證名稱不能取代針對本次資料、用途和共享模型的證據。
去識別化降低風險但不能糾正非法收集、超範圍使用、錯誤同意或不必要保存,也不能保證未來永不被重新識別。策略即程式碼、可信研究環境、機密運算、自動內容識別、可驗證刪除、差分隱私和合成資料會擴展服務能力,但也帶來設定錯誤、模型洩露、不可解釋轉換和效用下降等新問題。成熟服務應把去識別化視為持續治理過程:根據資料變化、接收者、外部資訊、攻擊技術和法規更新定期複評,並在剩餘風險無法降至用途可接受水準時,改變共享方式或停止發布。