Outsourcing AI dan Deep Learning di Sektor Kesehatan: Melindungi Privasi Data
Jonathan Martin, Direktur Operasi EMEA di Anomali, menyoroti bagaimana kecerdasan buatan dan deep learning mengubah kesehatan dengan memberikan wawasan yang dapat ditindaklanjuti. Framework open-source seperti Theano, Torch, CNTK, dan TensorFlow memungkinkan prediksi yang akurat untuk kondisi yang berkisar dari kanker hingga penyakit kardiovaskular berdasarkan data citra dan klinis.
Mengintegrasikan AI ke dalam alur kerja medis bukanlah opsi—ia adalah imperatif strategis. Namun, jalan yang akan ditempuh dipenuhi tantangan, yang paling signifikan adalah kekurangan kronis profesional yang terampil secara teknis. Meskipun talenta keamanan siber dapat mengisi kesenjakan ini, pasokan ahli yang terlengkap tertinggal di balik permintaan di seluruh industri.
Menambah kompleksitas adalah persyaratan untuk akses ke Informasi Pribadi yang Dapat Dikenali (PII). PII adalah target berharga dalam serangan siber, sehingga perlindungannya sangat penting. Pada 2019, National Health Service (NHS) bermitra dengan DeepMind, anak perusahaan Alphabet/Google, untuk menganalisis 1,6 juta rekam pasien—termasuk tes darah, citra diagnostik, status HIV, dan riwayat obat sebelumnya—menimbulkan kekhawatiran privasi yang serius.
Insiden ransomware WannaCry menekankan dampak menghancurkan dari satu pelanggaran terhadap infrastruktur kesehatan nasional. Meskipun risiko semacam itu, manfaat potensial AI terlalu signifikan untuk diabaikan. Solusinya terletak pada membangun kapasitas teknis yang kuat di dalam rumah dan memberlakukan protokol penanganan data yang ketat.
Pengaman kunci meliputi:
- Redaksi dan pseudonimisasi – Hilangkan semua PII sebelum data meninggalkan organisasi. Hanya partner tepercaya yang harus menyimpan pemetaan antara pengidentifikasi pasien dan pseudonim mereka.
- Penghapusan atribut semi-sensitif – Lokasi geografis atau data kontekstual lain dapat secara tidak sengaja memungkinkan re-identifikasi dan harus dihilangkan kecuali sangat diperlukan.
Praktik ini mengurangi risiko tetapi tidak akurat. Studi dari Carnegie Mellon University mengungkapkan bahwa nomor social security sering dapat direkonstruksi dari bidang yang tampak tidak berbahaya seperti tanggal lahir dan jenis kelamin, menunjukkan batas de-identifikasi konvensional.
Teknologi yang muncul seperti federated learning dan enkripsi homomorfik menjamin privasi yang lebih kuat. Federated learning menyimpan data mentah di lokasi sambil mengagregat pembaruan model, sedangkan enkripsi homomorfik memungkinkan komputasi pada data terenkripsi tanpa dekripsi—secara efektif menghilangkan paparan PII.
Meskipun solusi ini masih berkembang, sektor kesehatan harus mencari keseimbangan antara memanfaatkan kekuatan transformatif AI dan melindungi kerahasiaan pasien. Investasi berkelanjutan dalam personel terampil, arsitektur yang aman, dan teknik yang meningkatkan privasi akan menjadi sumbu utama adopsi AI yang bertanggung jawab.
Penulis: Jonathan Martin, Direktur Operasi EMEA di Anomali
