fa شناسه‌زدایی پرونده الکترونیک سلامت با استفاده از الگوریتم‌های یادگیری ماشین: یک مرور نظام‌مند تخصصي Special مقاله مروری تشریحی Narrative review articles <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color: black;">مقدمه:</span></strong> پرونده الکترونیک سلامت حاوی اطلاعات بالینی زیادی است که برای فعالیت‌هایی چون پایش بهداشت عمومی، بهبود کیفیت و تحقیقات مورد استفاده قرار می‌گیرد. همچنین پرونده الکترونیک سلامت شامل اطلاعات سلامت قابل شناسایی است و همین موضوع اشتراک و استفاده ثانویه از پرونده‌ها را محدود می‌کند. شناسه‌زدایی یکی از رایج‌ترین روش‌های حفظ محرمانگی اطلاعات بیماران است. این مقاله مروری نظام‌مند بر تحقیقات اخیر می‌باشد، که به حذف تمامی شناسه‌ها از پرونده الکترونیک سلامت با استفاده از انواع روش‌های شناسه‌زدایی مبتنی بر یادگیری ماشین پرداخته‌اند.<br> <strong><span style="color: black;">روش:</span></strong><span style="color: black;"> این مقاله به صورت </span>مروری نظام‌مند در بازه زمانی 2016 - 2006 در پایگاه‌های <span dir="LTR"><span style="font-size: 11pt;">PubMed</span></span> و <span dir="LTR"><span style="font-size: 11pt;">Science direct</span></span> انجام شد. مقالات با استفاده از چک‌لیست <span dir="LTR"><span style="font-size: 11pt;">CASP</span></span> و سپس توسط دو ارزیاب به‌طور مستقل بررسی و ارزشیابی شدند. در نهایت 12 مقاله با معیارهای ورود مطالعه همخوانی داشتند.<br> <strong><span style="color: black;">نتایج</span></strong><strong>:</strong> مقالات منتخب بر اساس روش و منابع دانش مورد استفاده، انواع شناسه‌ها، نوع اسناد بالینی، چالش‌ها و نتایج حاصل بررسی شده‌اند. نتایج نشان داد که در زمان انتشار داده‌های بالینی برای اهداف ثانویه شناسه‌زدایی مبتنی بر یادگیری ماشین راهکاری مناسب برای حفظ حریم خصوصی بیماران است. همچنین ترکیب الگوریتم‌های یادگیری ماشین و روش‌هایی چون تطابق الگو و عبارات منظم می‌تواند نیاز به داده آموزش را کاهش دهد.<br> <strong>نتیجه‌گیری:</strong> در پرونده‌های پزشکی اطلاعات شناسایی زیادی وجود دارد. این مطالعه نشان داد که روش‌های شناسه‌زدایی مبتنی بر یادگیری ماشین می‌توانند به طرز چشمگیری خطر افشای این اطلاعات را کاهش دهند.</span><br> &nbsp;</div> <div style="text-align: justify;"><strong>Introduction:</strong> Electronic Health Record (EHR) contains valuable clinical information that can be useful for activities such as public health surveillance, quality improvement, and research. However, EHRs often contain identifiable health information that their presence limits the use of the records for sharing and secondary usages. De-identification is one of the common methods for protecting the confidentiality of patient information. This systematic review has focused on recently published studies on the usage of de-identification methods based on Machine Learning (ML) approaches for removing all identifiable information from electronic health records.<br> <strong>Methods:</strong> A systematic review was performed in electronic databases like PubMed and ScienceDirect between 2006 and 2016. Studies were assessed for adherence to the CASP checklists and reviewed independently by two investigators. Finally, 12 articles were matched with inclusion criteria.<br> <strong>Results:</strong> The selected studies have been discussed in terms of used methods and knowledge resources, types of identifiers detected, types of clinical documents, challenges and achieved results. The results showed that ML-based de-identification is a widely invoked approach to protect patient privacy when disclosing clinical data for secondary purposes, such as research. Also, the combination of the ML algorithms and some techniques such as pattern matching and regular expression matching could decrease need to train data.<br> <strong>Conclusion</strong>: There is a lot of identifiable information in medical records. This study showed ML- based de-identification methods can intensively reduce the disclosure risk of information.<br> &nbsp;</div> محرمانگی, حریم خصوصی, شناسه‌زدایی, یادگیری ماشین, پرونده الکترونیک سلامت Confidentiality, Privacy, De-identification, Machine Learning 154 167 http://jhbmi.ir/browse.php?a_code=A-10-288-1&slc_lang=fa&sid=1 Mostafa Langarizadeh مصطفی لنگری زاده langarizadeh2001@yahoo.com 10031947532846003629 10031947532846003629 No دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌ رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Azam Orooji اعظم اروجی orooji.a@tak.iums.ac.ir 10031947532846003630 10031947532846003630 Yes Ph.D Student of Medical Informatics, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران