Outsourcing von KI und Deep Learning im Gesundheitswesen: Schutz der Datenschutz

Jonathan Martin, EMEA Operations Director bei Anomali, beleuchtet, wie künstliche Intelligenz und Deep Learning das Gesundheitswesen durch umsetzbare Erkenntnisse transformieren. Open-Source-Frameworks wie Theano, Torch, CNTK und TensorFlow ermöglichen präzise Vorhersagen für Erkrankungen von Krebs bis hin zu Herz-Kreislauf-Erkrankungen basierend auf Bildgebungs- und klinischen Daten.

Die Integration von KI in medizinische Workflows ist nicht optional – sie ist ein strategischer Imperativ. Doch der Weg dorthin ist mit Herausforderungen gepflastert, insbesondere einem chronischen Mangel an technisch qualifizierten Fachkräften. Während Cybersicherheitsexperten diese Lücke schließen könnten, hinkt das Angebot qualifizierter Experten der branchenweiten Nachfrage hinterher.

Hinzu kommt die Notwendigkeit des Zugriffs auf personenbezogene Daten (PII). PII ist ein begehrtes Ziel bei Cyberangriffen, weshalb ihr Schutz oberste Priorität hat. 2019 ging der britische National Health Service (NHS) eine Partnerschaft mit DeepMind, einer Tochter von Alphabet/Google, ein, um 1,6 Millionen Patientenakten – einschließlich Bluttests, diagnostischer Bildgebung, HIV-Status und Medikamentenhistorie – zu analysieren, was ernste Datenschutzbedenken aufwarf.

Der WannaCry-Ransomware-Vorfall verdeutlichte die verheerende Wirkung eines einzelnen Sicherheitsvorfalls auf die nationale Gesundheitsinfrastruktur. Trotz solcher Risiken sind die potenziellen Vorteile von KI zu bedeutend, um sie zu ignorieren. Die Lösung liegt im Aufbau robuster technischer Kapazitäten im eigenen Haus und in der Durchsetzung strenger Datenhandhabungsprotokolle.

Wesentliche Schutzmaßnahmen umfassen:

• Schwärzung und Pseudonymisierung – Entfernen aller PII, bevor Daten die Organisation verlassen. Nur ein vertrauenswürdiger Partner sollte die Zuordnung zwischen Patientenidentifikatoren und deren Pseudonymen halten.
• Entfernung halb-sensibler Attribute – Geografische Standorte oder andere Kontextdaten können unbeabsichtigt eine Re-Identifikation ermöglichen und sollten weggelassen werden, sofern nicht absolut notwendig.

Diese Praktiken reduzieren das Risiko, sind aber nicht unfehlbar. Eine Studie der Carnegie Mellon University zeigte, dass Sozialversicherungsnummern oft aus scheinbar harmlosen Feldern wie Geburtsdatum und Geschlecht rekonstruiert werden konnten – was die Grenzen konventioneller De-Identifikation aufzeigt.

Aufstrebende Technologien wie Föderiertes Lernen (Federated Learning) und homomorphe Verschlüsselung versprechen stärkere Datenschutzgarantien. Föderiertes Lernen belässt Rohdaten vor Ort und aggregiert nur Modellaktualisierungen, während homomorphe Verschlüsselung Berechnungen auf verschlüsselten Daten ohne Entschlüsselung ermöglicht – die Exposition von PII wird effektiv eliminiert.

Obwohl diese Lösungen noch reifen, muss der Gesundheitssektor einen Ausgleich finden zwischen der Nutzung von KIs transformativer Kraft und dem Schutz der Patientenvertraulichkeit. Laufende Investitionen in qualifiziertes Personal, sichere Architekturen und datenschutzfördernde Techniken werden der Eckpfeiler verantwortungsvoller KI-Einführung sein.

Autor: Jonathan Martin, EMEA Operations Director bei Anomali