面向个性化健康平台的隐私保护队列分析：一种具有随机风险建模的差分隐私框架

个性化健康分析日益依赖人群基准来提供诸如“我与我类似的其他人相比如何？”等情境化洞察。然而，基于队列的健康数据聚合引入了不可忽视的隐私风险，尤其是在交互式和纵向数字平台中。现有的隐私框架，如 k-匿名性和差分隐私，提供了基本但很大程度上是静态的保障，未能完全捕捉已部署系统中重识别风险的累积性、分布性和尾部主导性质。在这项工作中，我们提出了一个隐私保护队列分析框架，该框架结合了确定性队列约束、差分隐私机制和合成基线生成，以实现个性化人群比较，同时保持强大的隐私保护。我们进一步引入了一种随机风险建模方法，将重识别风险视为一个随时间演变的随机变量，从而能够通过蒙特卡洛模拟进行分布评估。借鉴金融数学中的量化风险度量，我们定义了风险隐私损失（P-VaR）来刻画在现实队列动态和对手假设下的最坏情况隐私结果。我们通过系统级分析和模拟实验验证了我们的框架，展示了如何为数字健康平台操作化隐私-效用权衡。我们的结果表明，随机风险建模通过为平台设计者、监管者和临床信息学利益相关者提供可解释的、与决策相关的指标，补充了形式化的隐私保障。