Die Verfügbarkeit und automatisierte Auswertbarkeit medizinischer Daten, darunter elektronische Gesundheitsakten, Genomdaten und Daten von tragbaren Sensoren, bietet beispiellose Möglichkeiten zur Verbesserung der Gesundheitsversorgung. Auf der Kehrseite kann die unerwünschte und unkontrollierte Offenlegung sensitiver Daten u.a. zu Stigmatisierung, Diskriminierung oder finanziellen Schäden bei den Betroffenen führen. Aufgrund der Sensibilität solcher Daten sind daher robuste Datenschutzmaßnahmen erforderlich. In diesem Vortrag wird die Anwendung von Differential Privacy (DP) Verfahren vorgestellt, die die Privatsphäre der Patienten mit messbaren Garantien schützen und gleichzeitig wertvolle Datenanalysen und Machine Learning ermöglichen.
Der Vortrag beginnt mit einem Überblick über geltende Mindestanforderungen an medizinischen Datenschutz und erläutert anschaulich die Funktionsweise von DP-Verfahren an konkreten Beispielen. Dabei wird auch gezeigt wie DP-Verfahren im Zusammenhang mit Machine Learning, z.B. im Federated Learning eingesetzt werden. Der Hauptfokus liegt auf der Erläuterung und kritischen Diskussion der vom NIST vorgeschlagenen Bewertungskriterien, die bei der Auswahl geeigneter DP-Verfahren unterstützen sollen und derzeit als State-of-the-Art gelten.