ناشناس سازی سوابق پزشکی الکترونیکی برای پشتیبانی از تحلیل بالینی ۲۰۱۲
Anonymization of Electronic Medical Records to Support Clinical Analysis 2012

کتاب “ناشناس سازی سوابق پزشکی الکترونیکی برای پشتیبانی از تحلیل بالینی” به دقت تهدیدات حریم خصوصی را که ممکن است از اشتراک گذاری داده های پزشکی ناشی شوند، بررسی می کند و روش های پیشرفته ای را که برای محافظت از داده ها در برابر این تهدیدات توسعه یافته اند، مورد بررسی قرار می دهد.

این کتاب برای توجیه نیاز به روش های محاسباتی، ابتدا چالش های اصلی پیش روی حفاظت از حریم خصوصی داده های پزشکی را با استفاده از سیاست ها، رویه ها و مقررات موجود بررسی می کند. سپس، نگاهی عمیق به روش های رایج حفظ حریم خصوصی محاسباتی می اندازد که برای اشتراک گذاری داده های جمعیتی، بالینی و ژنومی توسعه یافته اند، و اصول حریم خصوصی پشت این روش ها و همچنین استراتژی های بهینه سازی و الگوریتمی که به کار می برند را به دقت تجزیه و تحلیل می کند. در نهایت، از طریق یک سری مطالعات موردی عمیق که داده هایی از سرشماری ایالات متحده و همچنین مرکز پزشکی دانشگاه وندربیلت را برجسته می کند، این کتاب یک کلاس جدید و نوآورانه از روش های حفظ حریم خصوصی را تشریح می کند که برای اطمینان از یکپارچگی داده های پزشکی منتقل شده برای تجزیه و تحلیل بعدی، مانند کشف یا اعتبار بخشیدن به ارتباطات بین اطلاعات بالینی و ژنومی، طراحی شده اند.

“ناشناس سازی سوابق پزشکی الکترونیکی برای پشتیبانی از تحلیل بالینی” برای متخصصان به عنوان یک راهنمای مرجع برای حفاظت از حریم خصوصی و یکپارچگی داده های سوابق پزشکی حساس در نظر گرفته شده است. دانشگاهیان و سایر دانشمندان محقق نیز این کتاب را بسیار ارزشمند خواهند یافت.

Anonymization of Electronic Medical Records to Support Clinical Analysis closely examines the privacy threats that may arise from medical data sharing, and surveys the state-of-the-art methods developed to safeguard data against these threats.

To motivate the need for computational methods, the book first explores the main challenges facing the privacy-protection of medical data using the existing policies, practices and regulations. Then, it takes an in-depth look at the popular computational privacy-preserving methods that have been developed for demographic, clinical and genomic data sharing, and closely analyzes the privacy principles behind these methods, as well as the optimization and algorithmic strategies that they employ. Finally, through a series of in-depth case studies that highlight data from the US Census as well as the Vanderbilt University Medical Center, the book outlines a new, innovative class of privacy-preserving methods designed to ensure the integrity of transferred medical data for subsequent analysis, such as discovering or validating associations between clinical and genomic information.

Anonymization of Electronic Medical Records to Support Clinical Analysis is intended for professionals as a reference guide for safeguarding the privacy and data integrity of sensitive medical records. Academics and other research scientists will also find the book invaluable.