I dataset di assistenza virtuale registrano interazioni tra assistiti e agenti digitali nell'ambito della cura domiciliare. Contengono dati sanitari ai sensi del GDPR Art. 9 e rientrano nel DM 29/4/2022 sull'assistenza domiciliare digitale. anonym.plus de-identifica tutti gli attributi personali sul dispositivo, rendendo i dataset utilizzabili per ricerca e sviluppo di servizi.
Quando si applica
Una startup di digital health vuole usare i log della propria piattaforma di assistenza virtuale per addestrare un nuovo modello di raccomandazione. Prima dell'uso in training, il set deve essere de-identificato.
Come lo gestisce anonym.plus
- Esporta il raccolta di assistenza virtuale e aprilo in anonym.plus.
- Il programma rileva ID utente, nomi, codici fiscali e indirizzi IP.
- I log di interazione e i pattern di risposta restano intatti.
- Scegli de-identificazione completa o pseudonimizzazione con chiave locale.
- Verifica il insieme dati risultante rispetto al test del Considerando 26.
- Distribuisci il archivio dati de-identificato al team di ricerca.
Cosa serve fornire
- Dataset di assistenza virtuale in formato JSON, CSV o TXT.
- Un'azione: anonimizzazione completa o pseudonimizzazione.
- Regole opzionali per conservare i codici di servizio strutturati.
Tipi di entità rilevati nei dati sanitari
| Categoria | Tipo di entità anonym.plus | Esempio |
|---|---|---|
| ID utente | MEDICAL_RECORD_NUMBER | user: AVS-11092 → [ID_ANONIMO] |
| Nominativo | PERSON | Nome: Carmela Ferri → [PAZIENTE_1] |
| Codice fiscale | IT_FISCAL_CODE | FRRCML60A41F205X → [CF] |
| Indirizzo IP | IP_ADDRESS | 192.0.2.88 → [IP] |
| EMAIL_ADDRESS | c.ferri@mail.it → [EMAIL] | |
| Data | DATE_TIME | 2024-01-22T16:45:00 → [TIMESTAMP] |
Conformità raggiunta
- Governance dei dati di addestramento — l'art. 10 del Regolamento (UE) 2024/1689 (AI Act) impone criteri di qualità, pertinenza e rappresentatività ai set usati dai sistemi ad alto rischio, categoria in cui rientra il software sanitario disciplinato dal Regolamento (UE) 2017/745 (MDR).
- Base del riuso — addestrare un modello non è erogare assistenza: serve una base autonoma ex art. 6 GDPR e, per i dati sanitari, una delle ipotesi dell'art. 9 GDPR; un set che supera il test del Considerando 26 GDPR esce invece dall'ambito del Regolamento.
- Memorizzazione nel modello — l'art. 25 GDPR chiede protezione fin dalla progettazione: se il testo grezzo entra nel modello il dato personale può riaffiorare nelle risposte, perciò la pulizia precede l'addestramento e non lo segue.
- Sicurezza del trattamento — de-identificazione sul posto, nessun caricamento su piattaforme di training gestite da terzi, cifratura AES-256-GCM + Argon2id.
Anonimizza Dataset di assistenza virtuale offline — vedi piani & inizia gratis →
Limiti & avvertenze
I set di assistenza virtuale possono contenere risposte auto-rivelate con dettagli geografici o familiari specifici. Valuta il rischio di re-identificazione con un'analisi k-anonimato prima del rilascio per ricerca.
Domande frequenti
I pattern di interazione vengono alterati dalla de-identificazione?
No. Solo gli attributi personali vengono rimossi; i log di interazione e le sequenze di risposta restano intatti.
Posso usare il raccolta de-identificato per addestrare modelli AI?
Sì, purché la de-identificazione rispetti il Considerando 26 e gli obblighi dell'AI Act per i sistemi ad alto rischio in sanità.
Il programma gestisce insieme dati con strutture JSON nidificate?
Sì. Il rilevamento opera a qualsiasi profondità di annidamento JSON.