GMV na Forum Bezpieczeństwa i Ochrony Danych Zdrowotnych
![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)
Hiszpańskie Towarzystwo Informatyki Medycznej (SEIS) zorganizowało w dniach 15 i 16 lutego 20. edycję Forum Bezpieczeństwa i Ochrony Danych Zdrowotnych, podczas którego analityk danych z ramienia GMV, Pablo González, wygłosił prelekcję na temat propozycji naszej firmy w zakresie przeprowadzenia ujednoliconych badań z wykorzystaniem danych zdrowotnych w ramach Narodowego Systemu Danych Zdrowotnych oraz opracowanego przez firmę narzędzia uTile.
Jak wyjaśnił González, z technologicznego punktu widzenia „krajowe i europejskie systemy danych zdrowotnych będą stanowić wielkie wyzwanie w zakresie zdefiniowania ujednoliconego modelu zarządzania, który będzie wystarczająco elastyczny, aby uwzględnić wszystkie wymagania oraz preferencje poszczególnych społeczności i państw członkowskich”. Jego zdaniem „wspomniane zarządzanie będzie znacznie łatwiejsze, jeśli uda nam się zharmonizować zbiory danych zdrowotnych za pomocą wspólnego modelu danych, takiego jak OMOP”. Takie podejście przyniesie również „o wiele więcej korzyści przy opracowywaniu przypadków zastosowań, gdyż będziemy musieli wyjść poza interoperacyjność i zacząć mówić o semantyce”.
Podczas debaty panelowej podniesiono również kwestię potrzeby przyspieszenia i usprawnienia procesów zatwierdzania projektów badawczych przez komisje etyczne. Jak zauważył analityk danych z GMV, „potrzebne będą lepsze szkolenia w zakresie zgodności dla zespołów technicznych oraz szkolenia technologiczne dla inspektorów ochrony danych”. Jednocześnie González zwrócił uwagę na fakt, iż „wychodzimy z założenia, że technologie zwiększające poziom prywatności danych (Privacy Enhancing Technologies) mogą pomóc w przezwyciężeniu tych barier, co analizujemy obecnie w ramach projektu TARTAGLIA”.
Należy przypomnieć, że firma GMV opracowała narzędzie o nazwie uTile PET – rozwiązanie pozwalające w sposób bezpieczny i z zachowaniem pełnej prywatności wykonywać obliczenia na rozproszonych danych, bez ich ujawniania lub przenoszenia z organizacji. Rozwiązanie to wykorzystuje poufne dane do celów doskonalenia algorytmów uczenia maszynowego i modeli analitycznych, spełniając przez cały czas wymogi organizacyjne oraz gwarantując prywatność danych i przestrzegając obowiązujących przepisów.