La sostituzione surrogata preserva la rilevabilità delle PHI nel testo clinico de-identificato

Un nuovo studio da arXiv (2608.03172) indaga se la de-identificazione che preserva la struttura, che sostituisce le informazioni sanitarie protette (PHI) con surrogati realistici dello stesso tipo (ad esempio, 'Anna S.' diventa 'Maria S.'), mantiene la rilevabilità delle PHI da parte dei rilevatori a valle. I ricercatori introducono un protocollo di valutazione accoppiato e multi-rilevatore che valuta l'utilità solo su span mascherati, disaccoppiando la copertura dall'utilità, e utilizzano il test di equivalenza (TOST) invece del test di significatività dell'ipotesi nulla a causa della grande dimensione del campione (57k span accoppiati). Costruiscono anche una tassonomia dei fallimenti dei surrogati per separare i difetti correggibili del generatore dai limiti intrinseci del rilevatore. Lo studio copre 11 rilevatori, 7 benchmark e 7 lingue su 1.750 documenti, concentrandosi sul richiamo dei surrogati su span mascherati. I risultati sono cruciali per garantire che il testo clinico de-identificato rimanga fluente e funzionale per gli strumenti di elaborazione del linguaggio naturale a valle, preservando al contempo la privacy.