Clinical DeIdentification

The Clinical De-Identification model is designed to recognize and anonymize PHI in English-language clinical notes. It employs state-of-the-art natural language processing techniques to detect sensitive information such as patient names, addresses, medical record numbers, and other identifiers. Once identified, the PHI is effectively masked/obfuscated, rendering the text safe for broader use while maintaining its informational integrity.

<p><br/></p>

Key Features:

- The model is finely tuned to identify a wide range of PHI elements in medical texts, ensuring comprehensive de-identification.

- The de-identification process aligns with HIPAA and other healthcare privacy regulations, aiding in legal compliance and data protection.

- Ideal for research, analytics, and training purposes, this model enables the safe utilization of medical texts without compromising patient privacy.

<p><br/></p>

This model is a useful asset in the healthcare and research sectors, where the protection of patient privacy is paramount. It allows for the ethical and legal use of valuable medical data, promoting research and analysis while upholding the highest standards of data privacy and security.

<p><br/></p>

Covered entities: AGE, CONTACT, DATE, ID, LOCATION, NAME, PROFESSION, CITY, COUNTRY, DOCTOR, HOSPITAL, IDNUM, MEDICALRECORD, ORGANIZATION, PATIENT, PHONE, PROFESSION, STREET, USERNAME, ZIP, ACCOUNT, LICENSE, VIN, SSN, DLN, PLATE, IPADDR, EMAIL entities.

<p><br/></p>

Available `masking_policies` are : `masked` (default one), `obfuscated`, `masked_fixed_length_chars` and `masked_with_chars`.

临床去标识模型（Clinical De-Identification Model）旨在识别并匿名化英文临床文本中的受保护健康信息（Protected Health Information，以下简称PHI）。该模型采用当前最先进的自然语言处理技术，可检测患者姓名、地址、病历号及其他标识符等敏感信息。完成识别后，系统将对PHI执行有效的掩码或混淆操作，在保留文本信息完整性的前提下，使其可安全应用于更广泛的场景。

核心特性：
- 该模型经过精细调优，可识别医疗文本中覆盖范围极广的PHI要素，确保去标识流程的全面性。
- 去标识流程符合《健康保险流通与责任法案》（Health Insurance Portability and Accountability Act，简称HIPAA）及其他医疗隐私监管法规要求，助力合规建设与数据保护工作。
- 该模型适用于研究、分析及模型训练等场景，可在不损害患者隐私的前提下，实现医疗文本的安全复用。

该模型是医疗与科研领域的宝贵资产——此类领域均将患者隐私保护列为核心优先级。它可实现医疗数据的合规化与伦理化使用，推动研究与分析工作落地，同时坚守数据隐私与安全的最高标准。

覆盖实体涵盖：年龄（AGE）、联系方式（CONTACT）、日期（DATE）、标识符（ID）、位置（LOCATION）、姓名（NAME）、职业（PROFESSION）、城市（CITY）、国家（COUNTRY）、医生（DOCTOR）、医院（HOSPITAL）、编号（IDNUM）、病历号（MEDICALRECORD）、组织机构（ORGANIZATION）、患者（PATIENT）、电话（PHONE）、街道（STREET）、用户名（USERNAME）、邮政编码（ZIP）、账户（ACCOUNT）、许可证（LICENSE）、车辆识别码（VIN）、社会安全号码（SSN）、驾照号码（DLN）、车牌（PLATE）、IP地址（IPADDR）、电子邮箱（EMAIL）。

当前支持的`masking_policies`包括：`masked`（默认策略）、`obfuscated`、`masked_fixed_length_chars`以及`masked_with_chars`。

搜集汇总

背景与挑战

背景概述

Clinical DeIdentification模型采用先进NLP技术识别英语临床笔记中的敏感信息（如姓名、地址、病历号等），并按照HIPAA等法规进行匿名化处理。该模型支持多种掩码策略，覆盖28类PHI实体，适用于医疗研究和数据分析场景，确保数据可用性的同时保护患者隐私。