GMV, al Fòrum de Seguretat i Protecció de Dades de Salut
![SEIS, Protección de Datos](/sites/default/files/styles/image_1000/public/content/image/2023/02/22/133/banner-seis-pd-pablogonzalez-feb23.jpg?itok=utrR3lA9)
La Sociedad Española de Informática de la Salud (SEIS) va celebrar els passats 15 i 16 de febrer la XX edició del Fòrum de Seguretat i Protecció de Dades de Salut en el qual el científic de dades de GMV, Pablo González, va oferir una ponència sobre la proposta de la companyia per a la recerca federada amb dades de salut en el marc de l’Espai de Dades Nacional de Salut, aplicant l’eina desenvolupada per la companyia uTile.
Com va exposar González, des del punt de vista tecnològic, “els espais de dades de salut nacional i europea representaran grans reptes a l’hora de definir un model de govern federat prou flexible per donar cabuda a tots els requisits i preferències de les diferents comunitats i estats membres”. Segons la seva opinió, “aquesta governança serà molt més senzilla si aconseguim harmonitzar els conjunts de dades sanitàries utilitzant un model de dades comú com ara OMOP”. Aquesta aproximació portarà, a més, “molts més avantatges a l’hora de desenvolupar els casos d’ús, ja que necessitarem anar un pas més enllà de la interoperabilitat i començar a parlar de semàntica.”
A la taula de debat va sortir a col·lació la necessitat d’agilitar i facilitar els processos d’aprovació de projectes de recerca pels comitès ètics. Com va assenyalar el científic de dades de GMV, “caldrà una millor formació en l’àmbit de compliment dels equips tècnics i formació en tecnologia per als DPO”. Alhora, va apuntar, “nosaltres plantegem que les tecnologies de millora de la privacitat (Privacy Enhancing Techonolgies) poden ajudar a superar aquestes barreres, tal com estem explorant en el projecte TARTAGLIA”.
Cal recordar que GMV ha dissenyat uTile PET, una solució que permet fer càlculs de manera segura i privada sobre dades distribuïdes, sense exposar-les ni moure-les de les organitzacions. Aquesta solució aprofita les dades confidencials per millorar algoritmes d’aprenentatge automàtic i models analítics, complint en tot moment els requisits organitzatius i garantint la privacitat de les dades així com de les normatives vigents.