De-identification dữ liệu y tế trước khi dùng Claude — Safe Harbor & Expert Determination

Trước khi bất kỳ dữ liệu y tế nào được gửi đến Claude API, bước quan trọng nhất là khử định danh (de-identification) — loại bỏ hoặc thay thế tất cả thông tin có thể xác định danh tính bệnh nhân. Bài viết này hướng dẫn chi tiết hai phương pháp khử định danh được quốc tế công nhận: Safe Harbor và Expert Determination, đồng thời cung cấp công cụ thực hành cho bối cảnh Việt Nam.

Tại sao cần khử định danh trước khi dùng AI?

Dữ liệu y tế chứa thông tin định danh cá nhân (PHI — Protected Health Information) là loại dữ liệu nhạy cảm nhất. Khi gửi dữ liệu này qua API đến một dịch vụ bên ngoài, rủi ro bao gồm:

• Vi phạm Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân
• Rò rỉ thông tin bệnh nhân qua kênh truyền hoặc log hệ thống
• Dữ liệu có thể bị lưu trữ ngoài ý muốn trên hệ thống trung gian
• Rủi ro pháp lý và tổn thất uy tín cho tổ chức y tế

Khử định danh đúng cách giúp giảm thiểu tất cả các rủi ro trên trong khi vẫn giữ nguyên giá trị lâm sàng của dữ liệu để Claude có thể phân tích hiệu quả.

18 loại thông tin định danh theo HIPAA

Dù Việt Nam chưa có danh sách chính thức tương tự, 18 loại thông tin định danh của HIPAA là khung tham chiếu tốt nhất để xây dựng quy trình khử định danh:

1. Họ tên — Họ và tên đầy đủ của bệnh nhân
2. Địa chỉ — Địa chỉ cụ thể (đường, phường, quận) nhỏ hơn cấp tỉnh
3. Ngày tháng liên quan — Ngày sinh, ngày nhập viện, ngày xuất viện, ngày tử vong (chỉ giữ năm nếu bệnh nhân trên 89 tuổi)
4. Số điện thoại — Mọi số điện thoại cá nhân
5. Số fax — Số fax cá nhân
6. Địa chỉ email — Email cá nhân
7. Số BHXH/BHYT — Mã số bảo hiểm xã hội hoặc thẻ bảo hiểm y tế
8. Số hồ sơ bệnh án — Mã bệnh nhân trong hệ thống HIS
9. Số CCCD/CMND — Căn cước công dân hoặc chứng minh nhân dân
10. Số bằng lái xe — Số giấy phép lái xe
11. Mã thiết bị — Serial number của thiết bị y tế gắn với bệnh nhân
12. URL cá nhân — Địa chỉ web cá nhân
13. Địa chỉ IP — Địa chỉ IP khi truy cập hệ thống
14. Mã sinh trắc học — Vân tay, nhận dạng khuôn mặt, giọng nói
15. Ảnh mặt/ảnh toàn thân — Hình ảnh nhận diện được
16. Mã số thuế — Mã số thuế cá nhân
17. Mã số tài khoản — Số tài khoản ngân hàng, thẻ tín dụng
18. Mã định danh duy nhất khác — Bất kỳ mã nào có thể liên kết đến cá nhân cụ thể

Phương pháp Safe Harbor

Safe Harbor là phương pháp đơn giản hơn: loại bỏ tất cả 18 loại thông tin định danh khỏi dữ liệu. Nếu tất cả đều được loại bỏ và tổ chức không có lý do tin rằng thông tin còn lại có thể dùng để tái định danh, dữ liệu được coi là đã khử định danh.

Ưu điểm và hạn chế

• Ưu điểm: quy tắc rõ ràng, dễ thực hiện tự động, không cần chuyên gia thống kê
• Hạn chế: có thể loại bỏ quá nhiều thông tin, làm giảm giá trị phân tích của dữ liệu

Áp dụng Safe Harbor cho dữ liệu Việt Nam

Ngoài 18 loại của HIPAA, với bối cảnh Việt Nam cần bổ sung:

• Số CCCD 12 số: thay thế cho SSN trong bối cảnh Mỹ
• Số BHYT: có định dạng riêng (VD: DN4950123456789)
• Số điện thoại Việt Nam: định dạng 10 số bắt đầu bằng 0 hoặc +84
• Địa chỉ Việt Nam: số nhà, đường, phường/xã, quận/huyện, tỉnh/TP
• Tên riêng tiếng Việt: có dấu, nhiều biến thể viết hoa

Phương pháp Expert Determination

Expert Determination yêu cầu một chuyên gia thống kê hoặc khoa học dữ liệu xác nhận rằng rủi ro tái định danh từ dữ liệu đã xử lý là "rất nhỏ" (very small). Phương pháp này linh hoạt hơn Safe Harbor — cho phép giữ lại một số thông tin nếu được đánh giá là an toàn.

Quy trình thực hiện

1. Chuyên gia phân tích dữ liệu và xác định các trường có rủi ro
2. Áp dụng kỹ thuật như generalization (thay "35 tuổi" bằng "30-39 tuổi"), suppression (xóa hoàn toàn), perturbation (thêm nhiễu)
3. Đánh giá rủi ro tái định danh bằng các mô hình thống kê (k-anonymity, l-diversity)
4. Lập báo cáo xác nhận mức rủi ro chấp nhận được
5. Lưu trữ báo cáo làm bằng chứng tuân thủ

Prompt nhờ Claude hỗ trợ đánh giá

Toi co bo du lieu y te da ap dung cac bien phap khu dinh danh sau:
- Loai bo ho ten, thay bang ma BN-XXXX
- Thay ngay sinh bang nhom tuoi (moi 5 nam)
- Xoa dia chi, chi giu ma tinh
- Loai bo tat ca so dien thoai, email, CCCD
- Giu nguyen: gioi tinh, chan doan (ICD-10), ket qua xet nghiem

Voi boi canh Viet Nam (dan so 100 trieu, du lieu tu benh vien
tuyen tinh co 500 giuong), hay danh gia:
1. Rui ro tai dinh danh voi cac truong con lai
2. Cac kich ban tan cong tai dinh danh co the xay ra
3. De xuat them bien phap giam rui ro neu can
4. Danh gia theo tieu chi k-anonymity voi k >= 5

Regex patterns cho PHI Việt Nam

Dưới đây là các regex pattern để phát hiện và thay thế thông tin định danh trong dữ liệu y tế Việt Nam:

import re
from typing import Dict, List, Tuple

class VietnamesePhiDetector:
    """Phat hien va thay the PHI trong van ban y te tieng Viet."""

    def __init__(self):
        self.patterns: List[Tuple[str, str, str]] = [
            # So CCCD 12 so
            (
                r'd{12}',
                '[CCCD_REMOVED]',
                'CCCD'
            ),
            # So CMND 9 so (cu)
            (
                r'd{9}',
                '[CMND_REMOVED]',
                'CMND'
            ),
            # So dien thoai VN - dinh dang quoc te
            (
                r'(?:+84|0084)s*d[ds-.]{8,12}',
                '[PHONE_REMOVED]',
                'Phone_Intl'
            ),
            # So dien thoai VN - dinh dang noi dia
            (
                r'0[1-9]d{8,9}',
                '[PHONE_REMOVED]',
                'Phone_Local'
            ),
            # Email
            (
                r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}',
                '[EMAIL_REMOVED]',
                'Email'
            ),
            # So BHYT (dinh dang: 2 chu + 1 so + 13 so)
            (
                r'[A-Z]{2}d{14}',
                '[BHYT_REMOVED]',
                'BHYT'
            ),
            # So BHYT (dinh dang ngan hon)
            (
                r'[A-Z]{2}d{1}d{2}d{10}',
                '[BHYT_REMOVED]',
                'BHYT_alt'
            ),
            # Ngay thang VN (dd/mm/yyyy hoac dd-mm-yyyy)
            (
                r'd{1,2}[/-]d{1,2}[/-]d{4}',
                '[DATE_REMOVED]',
                'Date'
            ),
            # Dia chi IP
            (
                r'd{1,3}.d{1,3}.d{1,3}.d{1,3}',
                '[IP_REMOVED]',
                'IP'
            ),
            # Ma so thue ca nhan (10 hoac 13 so)
            (
                r'd{10}(?:d{3})?',
                '[MST_REMOVED]',
                'MST'
            ),
        ]

        # Pattern cho ten nguoi Viet (kho chinh xac 100%)
        self.name_pattern = re.compile(
            r'(?:Ong|Ba|Anh|Chi|Benh nhan|BN|Nguoi benh)'
            r's+([A-ZÀ-ɏ][a-zÀ-ɏ]+'
            r'(?:s+[A-ZÀ-ɏ][a-zÀ-ɏ]+)*)',
            re.UNICODE
        )

        # Dia chi Viet Nam
        self.address_pattern = re.compile(
            r'(?:sos+d+[a-zA-Z]?(?:s*/s*d+)?'
            r'(?:,?s*(?:duong|pho|ngo|hem|kiet)s+[^d,;.]{2,30})?'
            r'(?:,?s*(?:phuong|xa|thi tran)s+[^d,;.]{2,30})?'
            r'(?:,?s*(?:quan|huyen|thi xa|thanh pho)s+[^d,;.]{2,30})?'
            r'(?:,?s*(?:tinh|TP.?)s+[^d,;.]{2,30})?)',
            re.UNICODE | re.IGNORECASE
        )

    def detect_and_replace(self, text: str) -> Dict:
        """Phat hien va thay the tat ca PHI trong van ban."""
        findings = []
        cleaned = text

        # Ap dung cac regex pattern
        for pattern, replacement, phi_type in self.patterns:
            matches = re.finditer(pattern, cleaned)
            for match in matches:
                findings.append({
                    'type': phi_type,
                    'value': match.group(),
                    'position': match.span()
                })
            cleaned = re.sub(pattern, replacement, cleaned)

        # Xu ly ten nguoi
        name_matches = self.name_pattern.finditer(cleaned)
        for match in name_matches:
            findings.append({
                'type': 'Name',
                'value': match.group(1),
                'position': match.span(1)
            })
        cleaned = self.name_pattern.sub(
            lambda m: m.group().replace(m.group(1), '[NAME_REMOVED]'),
            cleaned
        )

        # Xu ly dia chi
        addr_matches = self.address_pattern.finditer(cleaned)
        for match in addr_matches:
            findings.append({
                'type': 'Address',
                'value': match.group(),
                'position': match.span()
            })
        cleaned = self.address_pattern.sub('[ADDRESS_REMOVED]', cleaned)

        return {
            'original_length': len(text),
            'cleaned_text': cleaned,
            'findings_count': len(findings),
            'findings': findings
        }

Pipeline khử định danh tự động bằng Python

Pipeline đầy đủ kết hợp phát hiện PHI, thay thế, và kiểm tra chất lượng trước khi gửi đến Claude API:

import json
import hashlib
from datetime import datetime

class DeidentificationPipeline:
    """Pipeline khu dinh danh du lieu y te truoc khi gui Claude API."""

    def __init__(self, salt: str = None):
        self.detector = VietnamesePhiDetector()
        self.salt = salt or 'default_hospital_salt_change_this'
        self.mapping = {}  # Luu mapping de co the khoi phuc neu can

    def create_pseudonym(self, value: str, phi_type: str) -> str:
        """Tao ma gia danh (pseudonym) nhat quan cho mot gia tri."""
        hash_input = f"{self.salt}:{phi_type}:{value}"
        hash_value = hashlib.sha256(hash_input.encode()).hexdigest()[:8]
        prefix_map = {
            'Name': 'BN',
            'Phone': 'SDT',
            'CCCD': 'ID',
            'BHYT': 'BH',
            'Email': 'EM',
            'Address': 'DC',
        }
        prefix = prefix_map.get(phi_type, 'XX')
        pseudonym = f"[{prefix}-{hash_value.upper()}]"
        self.mapping[pseudonym] = {
            'original': value,
            'type': phi_type
        }
        return pseudonym

    def process_record(self, clinical_text: str) -> dict:
        """Xu ly mot ban ghi lam sang."""
        # Buoc 1: Phat hien PHI
        detection_result = self.detector.detect_and_replace(clinical_text)

        # Buoc 2: Kiem tra ket qua
        cleaned_text = detection_result['cleaned_text']
        quality_check = self.verify_completeness(cleaned_text)

        # Buoc 3: Ghi log
        log_entry = {
            'timestamp': datetime.now().isoformat(),
            'original_length': detection_result['original_length'],
            'cleaned_length': len(cleaned_text),
            'phi_found': detection_result['findings_count'],
            'phi_types': [f['type'] for f in detection_result['findings']],
            'quality_passed': quality_check['passed'],
            'warnings': quality_check.get('warnings', [])
        }

        return {
            'cleaned_text': cleaned_text,
            'log': log_entry,
            'safe_to_send': quality_check['passed']
        }

    def verify_completeness(self, text: str) -> dict:
        """Kiem tra xem con sot PHI nao khong."""
        warnings = []

        # Kiem tra con so dien thoai khong
        phone_check = re.findall(r'0d{9,10}', text)
        if phone_check:
            warnings.append(f"Co the con so dien thoai: {phone_check}")

        # Kiem tra con email khong
        email_check = re.findall(
            r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}',
            text
        )
        if email_check:
            warnings.append(f"Co the con email: {email_check}")

        # Kiem tra con so CCCD khong
        cccd_check = re.findall(r'd{12}', text)
        if cccd_check:
            warnings.append(f"Co the con so CCCD: {cccd_check}")

        # Kiem tra cac tu khoa chi dinh danh
        identity_keywords = [
            'ho ten', 'dia chi nha', 'so dien thoai cua',
            'email ca nhan', 'CCCD so', 'CMND so'
        ]
        for kw in identity_keywords:
            if kw.lower() in text.lower():
                warnings.append(
                    f"Tim thay tu khoa dinh danh: '{kw}'"
                )

        return {
            'passed': len(warnings) == 0,
            'warnings': warnings
        }

    def process_batch(self, records: list) -> list:
        """Xu ly hang loat ban ghi."""
        results = []
        for i, record in enumerate(records):
            result = self.process_record(record)
            result['record_index'] = i
            results.append(result)

        # Thong ke tong hop
        total = len(results)
        passed = sum(1 for r in results if r['safe_to_send'])
        failed = total - passed

        print(f"Da xu ly: {total} ban ghi")
        print(f"Dat chuan: {passed} | Can xem lai: {failed}")

        return results

Kiểm tra tính đầy đủ của khử định danh

Sau khi chạy pipeline, cần kiểm tra kết quả trước khi gửi dữ liệu đi. Đây là bước không được bỏ qua:

# Chay kiem tra voi du lieu mau
pipeline = DeidentificationPipeline(salt='bv_abc_2024_secret')

test_record = """
Benh nhan Nguyen Van An, nam, sinh ngay 15/03/1985.
CCCD: 034085001234. So BHYT: DN4950123456789.
Dia chi: So 42 duong Le Loi, phuong Ben Nghe, quan 1, TP Ho Chi Minh.
SDT: 0912345678. Email: nguyenvanan@gmail.com.

Chan doan: Dai thao duong type 2 (E11.9).
HbA1c: 8.2%. Duong huyet luc doi: 156 mg/dL.
Huyet ap: 140/90 mmHg. BMI: 27.3.
Tien su: Tang huyet ap 5 nam, dang dung Amlodipine 5mg.
"""

result = pipeline.process_record(test_record)

print("=== KET QUA KHU DINH DANH ===")
print(f"An toan de gui: {result['safe_to_send']}")
print(f"So PHI tim thay: {result['log']['phi_found']}")
print(f"Loai PHI: {result['log']['phi_types']}")
print(f"
Van ban da lam sach:
{result['cleaned_text']}")

if not result['safe_to_send']:
    print(f"
Canh bao: {result['log']['warnings']}")
    print("KHONG gui du lieu nay qua API cho den khi xu ly xong!")

Đánh giá rủi ro tái định danh

Dù đã khử định danh, vẫn tồn tại rủi ro ai đó có thể suy ngược danh tính bệnh nhân từ dữ liệu còn lại. Đánh giá rủi ro này là bước bắt buộc trong phương pháp Expert Determination.

Các kịch bản tấn công phổ biến

• Kết hợp thuộc tính: kết hợp giới tính + nhóm tuổi + chẩn đoán hiếm gặp có thể thu hẹp đến vài cá nhân
• Dữ liệu phụ trợ: kẻ tấn công có dữ liệu từ nguồn khác (báo chí, mạng xã hội) để đối chiếu
• Thông tin địa lý: bệnh hiếm gặp tại một tỉnh nhỏ có thể chỉ ra cá nhân cụ thể
• Thông tin thời gian: ngày nhập viện kết hợp với bệnh hiếm gặp

Tiêu chí k-anonymity

Một bộ dữ liệu đạt k-anonymity khi mỗi tổ hợp giá trị của các thuộc tính gián tiếp (quasi-identifiers) xuất hiện ít nhất k lần. Với dữ liệu y tế, k >= 5 là mức tối thiểu được khuyến nghị:

import pandas as pd
from collections import Counter

def check_k_anonymity(df: pd.DataFrame,
                      quasi_identifiers: list,
                      k: int = 5) -> dict:
    """Kiem tra k-anonymity cua bo du lieu."""
    # Nhom theo cac quasi-identifier
    groups = df.groupby(quasi_identifiers).size()

    # Tim nhom nho nhat
    min_group = groups.min()
    violating_groups = (groups < k).sum()
    total_groups = len(groups)

    # Tinh so ban ghi vi pham
    violating_records = groups[groups < k].sum()

    result = {
        'k_target': k,
        'k_achieved': int(min_group),
        'passed': min_group >= k,
        'total_groups': int(total_groups),
        'violating_groups': int(violating_groups),
        'violating_records': int(violating_records),
        'total_records': len(df)
    }

    if not result['passed']:
        result['recommendation'] = (
            f"Can generalize them cac quasi-identifier "
            f"de dat k={k}. Hien tai k={min_group}. "
            f"Co {violating_groups}/{total_groups} nhom "
            f"va {violating_records} ban ghi vi pham."
        )

    return result

# Vi du su dung
# quasi_ids = ['gioi_tinh', 'nhom_tuoi', 'ma_tinh']
# result = check_k_anonymity(df, quasi_ids, k=5)

Tích hợp vào quy trình lâm sàng

Để khử định danh trở thành bước tự động trong quy trình, cần tích hợp vào hệ thống HIS hoặc workflow lâm sàng:

async def clinical_ai_query(raw_record: str,
                            query: str) -> dict:
    """Quy trinh day du: khu dinh danh -> gui Claude -> tra ket qua."""
    # Buoc 1: Khu dinh danh
    pipeline = DeidentificationPipeline()
    deidentified = pipeline.process_record(raw_record)

    if not deidentified['safe_to_send']:
        return {
            'status': 'blocked',
            'reason': 'Du lieu chua duoc khu dinh danh day du',
            'warnings': deidentified['log']['warnings']
        }

    # Buoc 2: Gui den Claude API
    import anthropic
    client = anthropic.Anthropic()

    response = client.messages.create(
        model='claude-sonnet-4-20250514',
        max_tokens=2048,
        messages=[{
            'role': 'user',
            'content': f"""Du lieu lam sang (da khu dinh danh):
{deidentified['cleaned_text']}

Cau hoi cua bac si: {query}

Luu y: Du lieu da duoc khu dinh danh. Tra loi dua tren
thong tin lam sang co san, khong yeu cau thong tin ca nhan."""
        }]
    )

    # Buoc 3: Ghi audit log
    audit_entry = {
        'timestamp': datetime.now().isoformat(),
        'action': 'ai_clinical_query',
        'phi_removed': deidentified['log']['phi_found'],
        'query_type': query[:50],
        'model': 'claude-sonnet-4-20250514',
        'response_length': len(response.content[0].text)
    }

    return {
        'status': 'success',
        'response': response.content[0].text,
        'audit': audit_entry
    }

Các lưu ý quan trọng khi triển khai

• Không có giải pháp hoàn hảo: regex không bắt được 100% tên người Việt do tính đa dạng của tên riêng. Cần kết hợp với danh sách tên (dictionary-based) và kiểm tra thủ công
• Ghi chú lâm sàng có thể chứa PHI: bác sĩ thường ghi "chuyển từ BV X", "con gái bệnh nhân cho biết" — những thông tin này khó phát hiện tự động
• Kiểm tra định kỳ: chạy kiểm thử với dữ liệu mẫu hàng tháng để đảm bảo pipeline vẫn hoạt động chính xác
• Lưu mapping an toàn: bảng mapping giữa pseudonym và dữ liệu gốc phải được bảo vệ ở mức cao nhất, tương đương với dữ liệu gốc
• Đào tạo nhân viên: bác sĩ và điều dưỡng cần hiểu tại sao khử định danh quan trọng và cách xử lý khi pipeline báo lỗi

Khử định danh là nền tảng kỹ thuật để sử dụng Claude trong y tế một cách có trách nhiệm. Kết hợp với việc tuân thủ Nghị định 13/2023 đã trình bày trong bài trước, tổ chức y tế có thể tận dụng sức mạnh AI mà vẫn bảo vệ quyền riêng tư của bệnh nhân. Tìm hiểu thêm tại Thư viện Ứng dụng Claude.