在疫情面前动态调整病例报告策略以最大化隐私与效用

在疫情期间支持公共卫生研究及公众态势感知，需要持续传播传染病监测数据。1996 年健康保险流通与责任法案 (HIPAA) 及近期州级法规等立法允许共享去标识化的个人级数据；然而，当前的去标识化方法存在局限，即效率低下，依赖回顾性披露风险评估，且不能随感染率或人口统计特征随时间变化而灵活调整。在本文中，我们引入一个框架，用于动态适应去标识化以近实时共享个人级监测数据。该框架利用一种可应用于任意地理层级的模拟机制，在广泛泛化策略下预测共享数据的再识别风险。这些估计值用于每周前瞻性策略选择，以将对应群组规模小于 11 (PK11) 的记录比例维持在或低于 0.1。在每周初固定策略有助于数据集及时更新并支持共享精细日期信息。我们使用约翰斯·霍普金斯大学和疾病控制与预防中心 2020 年 8 月至 2021 年 10 月的病例数据，证明该框架在维持 PK11 阈值 0.01 方面的有效性。在共享全美各县的 COVID-19 县级病例数据时，该框架方法在 96.2% 的每日数据发布中满足阈值，而基于当前去标识化技术的策略仅在 32.3% 中满足。周期性调整数据发布策略在通过及时更新和共享流行病学关键特征增强公共卫生效用的同时保护了隐私。