विषय 1.8 — डेटा नैतिकता, सहमति और सार्वजनिक विश्वास

स्वास्थ्य और देखभाल में, कानून आपको बताता है कि आप डेटा के साथ क्या कर सकते हैं, लेकिन सार्वजनिक विश्वास इस पर निर्भर करता है कि क्या आपको करना चाहिए — और एक बार जब लोग यह मानने लगते हैं कि उनकी जानकारी का उपयोग उनकी पीठ पीछे किया जा रहा है, तो वे इसे रोक लेते हैं, ऑप्ट-आउट हो जाते हैं, या देखभाल से बचते हैं, इसलिए नैतिकता और ईमानदार जुड़ाव नरम अतिरिक्त नहीं हैं बल्कि वे शर्तें हैं जिनके तहत डेटा का बिल्कुल उपयोग किया जा सकता है।

यह स्वास्थ्य और देखभाल में क्यों महत्वपूर्ण है#

विषय 1.7 — सूचना प्रशासन, डेटा सुरक्षा और साइबर सुरक्षा कानून और तकनीकी नियंत्रणों को कवर करता है: कानूनी आधार, UK General Data Protection Regulation (UK GDPR), Data Security and Protection Toolkit, एन्क्रिप्शन, और अभिगम नियंत्रण। यह विषय उस सब कुछ के बारे में है जो एक बार जब आप कानूनी रूप से अनुपालक हों तो बचता है। आप हर विधान को संतुष्ट कर सकते हैं और फिर भी जनता का विश्वास खो सकते हैं, क्योंकि विश्वास वकीलों द्वारा नहीं दिया जाता — यह रोगियों और नागरिकों द्वारा दिया जाता है जो व्यक्तिगत रूप से और सामूहिक रूप से तय करते हैं कि क्या वे मानते हैं कि आप उनकी जानकारी को एक ऐसे तरीके से संभाल रहे हैं जिसे वे निष्पक्ष के रूप में पहचानेंगे।

वह अंतर स्वास्थ्य और देखभाल में लगभग कहीं और की तुलना में अधिक मायने रखता है। लोग क्लिनिशियनों को चीज़ें प्रकट करते हैं — मानसिक-स्वास्थ्य संकट, पदार्थ उपयोग, यौन स्वास्थ्य, दुर्व्यवहार, आप्रवासन-जुड़े हक — इस अकथित समझ पर कि जानकारी उनकी मदद के लिए मौजूद है, उनकी जानकारी के बिना व्यापार, प्रकाशित, या पुनर्उपयोग करने के लिए नहीं। जब वह समझ टूटती है, तो नुकसान मापने योग्य है: रोगी क्लिनिशियनों से झूठ बोलते हैं, इतिहास साझा करने से इनकार करते हैं, या सेवाओं से दूर रहते हैं। वे क्लिनिकल-सुरक्षा और समानता विफलताएं हैं, और वे उन लोगों पर सबसे भारी पड़ती हैं जो पहले से ही संस्थानों पर सबसे कम भरोसा करते हैं।

प्रणाली भी वास्तव में एकल परामर्श से परे डेटा का उपयोग करने पर निर्भर करती है — सेवाओं की योजना बनाने, जनसंख्या स्वास्थ्य प्रबंधन चलाने, सुरक्षा संकेतों का पता लगाने, और उस अनुसंधान का समर्थन करने के लिए जो कल के उपचार उत्पन्न करता है। इसलिए आप एक स्थायी तनाव के भीतर बैठते हैं: डेटा रोकें और आप देखभाल और अनुसंधान को भूखा रखते हैं; इसे लापरवाही से उपयोग करें और आप उस जनता की सहमति खो देते हैं जिसका डेटा है। यह विषय उस तनाव को ईमानदारी से धारण करने के बारे में है। स्वास्थ्य सेवा का हाल का इतिहास इस बात में कम से कम एक बड़ा, महंगा सबक रखता है कि जब एक संगठन केवल कानूनी प्रश्न का उत्तर देता है और कभी नैतिक का नहीं देता तो क्या होता है।

मुख्य अवधारणाएं#

यहां संचालित अनुशासन डेटा नैतिकता है — डेटा, विशेष रूप से व्यक्तिगत डेटा, के संग्रह, उपयोग, और साझाकरण में सही और गलत आचरण का व्यवस्थित अध्ययन। इसका केंद्रीय कदम दो प्रश्नों को अलग करना है जिन्हें संगठन नियमित रूप से मिलाते हैं: क्या हम इसे कानूनी रूप से कर सकते हैं, और क्या हमें इसे करना चाहिए यह देखते हुए कि लोग उचित रूप से क्या अपेक्षा करते हैं और क्या नुकसान हो सकते हैं। एक कानूनी आधार पहले का उत्तर देता है। केवल सोच-समझकर किया गया नैतिक तर्क, पारदर्शिता, और जुड़ाव दूसरे का उत्तर देते हैं।

सहमति दैनिक उपयोग से अधिक स्तरीय है। सूचित सहमति — एक व्यक्ति किसी चीज़ से सहमत होता है जिसमें क्या शामिल है इसकी पर्याप्त समझ के साथ — प्रत्यक्ष देखभाल और अधिकांश अनुसंधान के लिए स्वर्ण मानक है। लेकिन जनसंख्या पैमाने पर, व्यक्तिगत स्पष्ट सहमति अक्सर अव्यावहारिक है या स्वयं डेटा को पक्षपाती बना देगी, इसलिए प्रणाली अन्य मॉडलों पर निर्भर करती है: प्रत्यक्ष देखभाल के लिए निहित सहमति (आप स्वीकार करते हैं कि आपका इलाज करने वाला क्लिनिशियन आपका रिकॉर्ड पढ़ेगा), और कुछ द्वितीयक उपयोगों के लिए ऑप्ट-आउट मॉडल, जहां डेटा का उपयोग तब तक किया जाता है जब तक एक व्यक्ति सक्रिय रूप से आपत्ति नहीं करता। इंग्लैंड में प्रमुख उपकरण NHS राष्ट्रीय डेटा ऑप्ट-आउट है, जो एक व्यक्ति को उनकी गोपनीय रोगी जानकारी को उनकी अपनी देखभाल से परे योजना और अनुसंधान के लिए उपयोग होने से रोकने देता है। यह जानना कि कौन सा मॉडल लागू होता है, और ईमानदार होना कि ऑप्ट-आउट सक्रिय सहमति के समान नहीं है, एक मुख्य क्षमता है।

डेटा-सुरक्षा कानून के साथ एक पुराना और अलग दायित्व बैठता है: सामान्य कानून गोपनीयता कर्तव्य, जिसके तहत गोपनीयता में साझा की गई जानकारी को सहमति, एक कानूनी आवश्यकता, या एक प्रभावी सार्वजनिक हित के बिना प्रकट नहीं किया जा सकता। इससे उचित अपेक्षाएं या "कोई आश्चर्य नहीं" सिद्धांत निकलता है: आपको किसी के डेटा का उपयोग इस तरह नहीं करना चाहिए जो उन्हें वास्तव में आश्चर्यचकित करे अगर उन्हें पता चले। यह एक व्यावहारिक नैतिक परीक्षण है जो अक्सर कानून से बहुत पहले काटता है।

दो स्वास्थ्य-विशिष्ट संस्थान नैतिक भार उठाते हैं। Caldicott सिद्धांत — हर संगठन में एक Caldicott Guardian द्वारा बनाए रखे गए — प्रसिद्ध रूप से ज़ोर देते हैं कि साझा करने का कर्तव्य इसकी रक्षा करने के कर्तव्य जितना ही महत्वपूर्ण हो सकता है, उस प्रतिवर्त को सुधारते हुए जो रोकने को स्वतः सुरक्षित मानता है। राष्ट्रीय स्तर पर, National Data Guardian for Health and Social Care (NDG) इस बारे में स्वतंत्र वैधानिक आवाज़ है कि रोगी डेटा का उपयोग और सुरक्षा कैसे की जानी चाहिए। इनके आसपास एक सामाजिक लाइसेंस का विचार बैठता है: जनता से चल रही, अनौपचारिक स्वीकृति जो वैध बनाती है कि एक संस्थान डेटा का उपयोग कैसे करता है — पारदर्शिता और जुड़ाव के माध्यम से अर्जित, कानून द्वारा नहीं दी गई, और विश्वास टूटने पर तेज़ी से वापस ली गई।

द्वितीयक उपयोगों के लिए — प्रत्यक्ष देखभाल के बजाय विश्लेषिकी, योजना, और अनुसंधान — उपयोगिता और गोपनीयता के बीच तकनीकी पुल डी-आइडेंटिफ़िकेशन है: छद्मनामकरण (पहचानकर्ताओं को कृत्रिम टोकनों से बदलना, अलग से रखी गई कुंजियों के साथ उलटने योग्य) या अनामीकरण (पहचानकर्ताओं को हटाना ताकि एक व्यक्ति की अब पहचान न हो सके) के माध्यम से डेटा की पहचान-योग्यता को कम करना। दोनों की सीमाएं हैं: समृद्ध स्वास्थ्य डेटा को अक्सर इसे अन्य डेटासेट के साथ जोड़कर फिर से पहचाना जा सकता है — "मोज़ेक प्रभाव" — इसलिए "अनामीकृत" एक दावा है जिसे परखा जाना चाहिए, मान लिया नहीं जाना चाहिए। अंत में, जहां डेटा स्वचालित या मॉडल-आधारित निर्णयों को संचालित करता है, आपको एल्गोरिथमिक पक्षपात के प्रश्न विरासत में मिलते हैं — व्यवस्थित अन्याय जो कुछ समूहों को नुकसान पहुंचाता है — और एल्गोरिथमिक जवाबदेही, उन परिणामों के लिए ज़िम्मेदारी का आवंटन। AI का गहरा प्रशासन विषय 8.4 — AI और उभरती प्रौद्योगिकी प्रशासन से संबंधित है; यहां यह केवल डेटा के एक और उपयोग के रूप में मायने रखता है जिसे सार्वजनिक विश्वास अर्जित करना चाहिए।

सर्वोत्तम प्रथाएं#

1. "क्या हमें करना चाहिए?" को एक अलग, मिनट किए गए निर्णय के रूप में पूछें — "क्या हम कर सकते हैं?" का एक फुटनोट नहीं। डेटा के किसी भी गैर-स्पष्ट उपयोग के लिए, कानूनी प्रश्न से अलग नैतिक प्रश्न चलाएं और उत्तर दर्ज करें। नाम दें कि किसे लाभ होता है, किसे नुकसान हो सकता है, लोग उचित रूप से क्या अपेक्षा करेंगे, और क्या आप एक समाचार पत्र के फ्रंट पेज पर उपयोग को समझाने में सहज होंगे। एक उपयोग जो कानूनी है लेकिन उचित-अपेक्षा परीक्षण में विफल रहता है वह फिर से डिज़ाइन करने या खुले तौर पर समझाने के लिए है, चुपचाप आगे बढ़ने के लिए नहीं।

2. सहमति मॉडल को उपयोग से मिलाएं, और आप किसका उपयोग कर रहे हैं इसके बारे में ईमानदार रहें। प्रत्यक्ष देखभाल निहित सहमति पर चलती है; अधिकांश अनुसंधान को स्पष्ट सूचित सहमति या एक अनुमोदित कानूनी मार्ग की आवश्यकता है; कुछ योजना उपयोग ऑप्ट-आउट पर निर्भर करते हैं। एक ऑप्ट-आउट को इस तरह सजाएं मत जैसे यह सक्रिय समझौता हो, और "सहमति" भाषा पर मत झुकें जब वास्तविक आधार एक वैधानिक शक्ति हो। यहां स्पष्टता रोगी की स्वायत्तता और आपकी अपनी विश्वसनीयता दोनों की रक्षा करती है जब व्यवस्था की जांच की जाती है।

3. राष्ट्रीय डेटा ऑप्ट-आउट का विश्वसनीय रूप से सम्मान करें, और इसे एक फर्श मानें, छत नहीं। NHS राष्ट्रीय डेटा ऑप्ट-आउट को हर उस द्वितीयक-उपयोग प्रवाह पर लागू करें जिसे यह कवर करता है, और यह प्रदर्शित करने में सक्षम हों कि आप करते हैं। लेकिन पहचानें कि ऑप्ट-आउट के साथ कानूनी अनुपालन न्यूनतम है; एक उपयोग जो तकनीकी रूप से ऑप्ट-आउट का सम्मान करता है जबकि जनता को चौंकाता है फिर भी आपको विश्वास की कीमत चुकाएगा। जहां एक उपयोग नया या संवेदनशील है, स्पष्ट नोटिस या अधिक सक्रिय विकल्प के साथ आधार रेखा से परे जाने पर विचार करें।

4. हर नए डेटा प्रवाह से पहले उचित-अपेक्षा परीक्षण लागू करें। स्पष्ट रूप से पूछें: अगर जिन लोगों का यह डेटा है वे ठीक-ठीक जानते कि हम क्या कर रहे हैं, तो क्या वे आश्चर्यचकित होंगे, और क्या उन्हें लगेगा कि उन्हें गुमराह किया गया? आश्चर्य एक शीघ्र-चेतावनी संकेत है जो एक कानूनी उल्लंघन से बहुत पहले आता है। जब ईमानदार उत्तर "हां, वे आश्चर्यचकित होंगे" है, तो आपके पास तीन विकल्प हैं — उपयोग बदलें, सार्थक सहमति प्राप्त करें, या इसे इतनी अच्छी तरह से और इतनी जल्दी समझाएं कि यह आश्चर्य बनना बंद हो जाए।

5. याद रखें कि साझा करने का कर्तव्य रक्षा करने के कर्तव्य जितना ही महत्वपूर्ण हो सकता है। Caldicott सिद्धांत आंशिक रूप से रक्षात्मक अति-सावधानी का मुकाबला करने के लिए मौजूद हैं, जो चुपचाप रोगियों को नुकसान पहुंचाती है जब एक क्लिनिशियन एक एलर्जी नहीं देख सकता, एक सुरक्षा चिंता एजेंसियों के बीच गिर जाती है, या संदर्भ की कमी के कारण एक डिस्चार्ज विफल हो जाता है। नैतिक डेटा हैंडलिंग डेटा जमाखोरी के समान नहीं है। साझा न करने के नुकसान को साझा करने के नुकसान जितना ही सोच-समझकर तौलें, और इसे विषय 1.7 — सूचना प्रशासन, डेटा सुरक्षा और साइबर सुरक्षा में सुरक्षित-साझाकरण डिज़ाइन और विषय 1.6 — क्लिनिकल सुरक्षा और जोखिम प्रबंधन में सुरक्षा परिणामों से जोड़ें।

6. डी-आइडेंटिफ़िकेशन को जोखिम कमी मानें, कोई जादुई इरेज़र नहीं। द्वितीयक-उपयोग डेटा को छद्मनाम या अनामीकृत करें, लेकिन पुनः-पहचान जोखिम का यथार्थवादी आकलन करें, विशेष रूप से दुर्लभ स्थितियों, छोटी जनसंख्याओं, या समृद्ध रूप से जुड़े डेटासेट के लिए जहां मोज़ेक प्रभाव काटता है। डेटा के साथ-साथ वातावरण को भी नियंत्रित करें: "अनामीकृत" अंश को इमारत से बाहर भेजने के बजाय मान्यता प्राप्त Secure Data Environments को प्राथमिकता दें, जहां विश्लेषक ऐसे डेटा पर काम करते हैं जो कभी एक प्रशासित सेटिंग नहीं छोड़ता। अवशिष्ट जोखिम और इसे कौन स्वीकार करता है इसे दस्तावेज़ीकृत करें।

7. उन उपयोगों के लिए एक नैतिकता समीक्षा चलाएं जिन्हें केवल कानून तय नहीं करता। आगे बढ़ने से पहले नए, संवेदनशील, या वाणिज्यिक रूप से उलझे उपयोगों की जांच करने के लिए एक मार्ग स्थापित करें — एक डेटा नैतिकता समिति, एक मौजूदा अनुसंधान नैतिकता प्रक्रिया, या एक स्थायी कार्य। इसे स्वतंत्र और आम सदस्यता दें ताकि यह केवल संगठन खुद को आश्वस्त न कर रहा हो, और इसे केवल गोपनीयता ही नहीं, समूहों पर निष्पक्षता और विभेदक प्रभाव पर विचार करने की आवश्यकता बताएं।

8. पारदर्शिता को सक्रिय, विशिष्ट, और मानव-पठनीय बनाएं। सादी भाषा में प्रकाशित करें कि आप कौन सा डेटा रखते हैं, आप इसका उपयोग किस लिए करते हैं, आप इसे किसके साथ साझा करते हैं (वाणिज्यिक साझेदारों सहित), और लोगों के पास क्या विकल्प हैं। नियामकों के लिए लिखी गई एक घनी गोपनीयता सूचना पारदर्शिता नहीं है; डेटा उपयोगों का एक स्पष्ट सार्वजनिक रजिस्टर है। नए या वाणिज्यिक व्यवस्थाओं को शुरू होने से पहले प्रकट करें, क्योंकि एक उपयोग जो एक पत्रकार के लीक के माध्यम से सामने आता है उसे इसके गुणों की परवाह किए बिना एक कवर-अप के रूप में पढ़ा जाता है।

9. रोगियों और समुदायों को उनके डेटा के बारे में निर्णयों में शामिल करें — जल्दी और वास्तव में। सार्वजनिक और रोगी जुड़ाव कोई संचार अभ्यास नहीं है जो लॉन्च पर जोड़ा गया हो; यह आकार देता है कि आप क्या बनाते हैं और क्या यह एक सामाजिक लाइसेंस अर्जित करता है। रोगियों, देखभालकर्ताओं, और सामुदायिक प्रतिनिधियों को — विशेष रूप से उन समूहों से जिनके पास संस्थानों पर अविश्वास करने का अच्छा ऐतिहासिक कारण है — डिज़ाइन और प्रशासन में लाएं, और दिखाएं कि उनके इनपुट ने निर्णयों को कैसे बदला। यह सीधे विषय 3.0 — उपयोगकर्ता अनुसंधान और सेवा डिज़ाइन और विषय 8.2 — संचार और जुड़ाव से जुड़ता है।

10. जब डेटा निर्णयों को संचालित करता है तो निष्पक्षता और जवाबदेही का स्वामित्व लें। जहां डेटा जोखिम स्कोर, प्राथमिकता-निर्धारण उपकरण, या मॉडल को फीड करता है, पूछें कि किसके डेटा ने उन्हें प्रशिक्षित किया, कौन से समूह कम-प्रतिनिधित्व में हो सकते हैं, और आउटपुट गलत या भेदभावपूर्ण होने पर कौन जवाबदेह है। परिणामी निर्णयों के लिए लूप में एक मानव रखें और समय के साथ जनसांख्यिकीय समूहों में परिणामों की निगरानी करें। विस्तृत मॉडल प्रशासन विषय 8.4 — AI और उभरती प्रौद्योगिकी प्रशासन को सौंपें, लेकिन "एल्गोरिथम ने तय किया" को ज़िम्मेदारी से बचने के रूप में न मानें।

आपकी टीम के साथ चर्चा करने के लिए प्रश्न#

1. हमारे सबसे संवेदनशील या नए डेटा उपयोग के लिए, कानूनी रूप से अनुमत और हमारे रोगी वास्तव में क्या अपेक्षा करेंगे इसके बीच ईमानदार अंतर क्या है — और हम इसे कैसे बंद करेंगे? यह विषय का मुख्य प्रश्न है, इसलिए इसे अमूर्त के बजाय ठोस बनाएं: अपने संगठन में एक वास्तविक उपयोग चुनें — एक अनुसंधान साझेदारी, एक आपूर्तिकर्ता व्यवस्था, एक जनसंख्या-स्वास्थ्य डैशबोर्ड, एक मॉडल। इसके माध्यम से चलें कि कानून क्या अनुमति देता है, फिर अलग से पूछें कि एक सामान्य, मध्यम रूप से संशयवादी रोगी क्या मानेगा कि हो रहा है, और दोनों के बीच के अंतर को नाम दें। अंतर वह जगह है जहां विश्वास जीता या खोया जाता है, और यह अदृश्य है अगर आप केवल कभी कानूनी प्रश्न पूछते हैं। एक अच्छी चर्चा कम से कम एक उपयोग सामने लाती है जहां टीम एक कठिन बातचीत से बचने के लिए "यह कानूनी है" पर निर्भर है, और उपयोग को बदलने, सार्थक सहमति की तलाश करने, या इसे कहीं अधिक खुले तौर पर समझाने का निर्णय उत्पन्न करती है। "लेकिन हमें अनुमति है" की बताई गई रक्षा पर नज़र रखें — इसका आमतौर पर अर्थ है कि नैतिक प्रश्न कभी नहीं पूछा गया।

2. हम कहां डेटा साझा न करके रोगियों को नुकसान पहुंचा रहे हैं, और क्या हम उस नुकसान के बारे में उतने ही ईमानदार हैं जितने हम एक उल्लंघन के जोखिम के बारे में हैं? डेटा नैतिकता को नियमित रूप से डेटा न्यूनीकरण समझ लिया जाता है, और रक्षात्मक अति-सावधानी वास्तविक नुकसान करते हुए सुरक्षा का पोशाक पहनती है। अपनी खुद की सेटिंग से ठोस मामलों पर चर्चा करें: एक छूटी हुई एलर्जी, एक सुरक्षा चिंता जो एजेंसियों के बीच गिर गई, एक डिस्चार्ज जो गलत हो गया क्योंकि सामुदायिक टीमों में संदर्भ की कमी थी, एक शोधकर्ता जिसे उस डेटा से अवरुद्ध किया गया जो एक सुरक्षा संकेत खोज सकता था। Caldicott सिद्धांत कि साझा करने का कर्तव्य रक्षा करने के कर्तव्य जितना ही महत्वपूर्ण हो सकता है ठीक इसलिए मौजूद है क्योंकि संगठनों को रोकना मनोवैज्ञानिक रूप से अधिक सुरक्षित लगता है, भले ही यह रोगी के लिए वास्तव में अधिक सुरक्षित न हो। एक परिपक्व टीम दोनों दिशाओं में विफलताएं नाम दे सकती है और हर एक को आगे बढ़ाने का मार्ग रखती है, "नहीं" को जोखिम-मुक्त डिफ़ॉल्ट मानने के बजाय। यह भी विचार करें कि क्या आपके प्रोत्साहन उस व्यक्ति को पुरस्कृत करते हैं जो साझा करने से इनकार करता है उससे कहीं अधिक जो उपयुक्त रूप से साझा करता है।

3. अगर एक राष्ट्रीय समाचार पत्र कल हमारी किसी डेटा-साझाकरण व्यवस्था की रिपोर्ट करता है — सटीक लेकिन असहानुभूतिपूर्ण तरीके से — तो क्या हम इससे बचेंगे, और उत्तर हमें अभी क्या ठीक करने के लिए कहता है? care.data कार्यक्रम अवैधता से नहीं गिराया गया था; यह जनता की इस भावना से गिराया गया था कि उनके साथ कुछ किया जा रहा था बिना किसी वास्तविक स्पष्टीकरण या वास्तविक विकल्प के। परीक्षण को अपनी खुद की व्यवस्थाओं के विरुद्ध चलाएं, विशेष रूप से किसी भी वाणिज्यिक साझेदार, मॉडल प्रशिक्षण, या द्वितीयक उपयोग को शामिल करने वाली जिनके बारे में रोगियों को स्पष्ट रूप से नहीं बताया गया है। कहानी कहां असुविधाजनक होती है — क्या यह साझेदार है, ऑप्ट-आउट की कमी है, सार्वजनिक नोटिस की अस्पष्टता है, किसी भी सामुदायिक भागीदारी की अनुपस्थिति है? वह असुविधा आपके सामाजिक लाइसेंस के पतले होने का एक सटीक मानचित्र है। एक अच्छा उत्तर "हम प्रेस को संभाल लेंगे" नहीं है; यह उन चीज़ों की एक सूची है जिन्हें आप अधिक पारदर्शी बनाएंगे, अधिक सहमति-प्राप्त बनाएंगे, या बस करना बंद करेंगे, और यह विषय 8.2 — संचार और जुड़ाव में जुड़ाव अनुशासन से जुड़ता है।

4. जब हम डेटा को "अनामीकृत" कहते हैं, तो हमें कितना विश्वास है कि इसे फिर से एक व्यक्ति से नहीं जोड़ा जा सकता — और उस दावे को वास्तव में किसने परखा है? डी-आइडेंटिफ़िकेशन को इसके हकदार से कहीं अधिक एक फिनिश लाइन माना जाता है, और "अनामीकृत" को मूल्यांकित करने के बजाय अक्सर दावा किया जाता है। एक वास्तविक द्वितीयक-उपयोग डेटासेट चुनें और ठीक-ठीक पूछें कि इसके साथ क्या किया गया — एक अलग से रखी गई कुंजी के साथ छद्मनामकरण, या वास्तविक अनामीकरण — और फिर पूछें कि अगर किसी ने इसे अन्य डेटा से जोड़ा तो यह मोज़ेक प्रभाव के विरुद्ध कैसा प्रदर्शन करेगा, विशेष रूप से दुर्लभ स्थितियों, छोटी जनसंख्याओं, या समृद्ध रूप से विस्तृत रिकॉर्ड के लिए। यह भी पूछें कि डेटा भौतिक रूप से कहां रहता है: क्या इसका विश्लेषण एक मान्यता प्राप्त Secure Data Environment के अंदर किया जाता है जो इसे कभी नहीं छोड़ने देता, या इस धारणा पर एक अंश के रूप में भेजा जाता है कि लेबल इसे सुरक्षित बनाता है? एक ईमानदार चर्चा अवशिष्ट पुनः-पहचान जोखिम को स्पष्ट रूप से नाम देती है, दर्ज करती है कि उस जोखिम को किसने स्वीकार किया है, और जो परखा गया है उसे केवल आशा की गई चीज़ से अलग करती है। अगर कमरे में कोई नहीं बता सकता कि आखिरी बार दावे का तनाव-परीक्षण किसने किया, तो वह अनुपस्थिति ही खोज है।

5. जहां डेटा एक जोखिम स्कोर, एक प्राथमिकता-निर्धारण उपकरण, या एक मॉडल को फीड करता है, किसके डेटा ने इसे प्रशिक्षित किया, यह किसे नुकसान पहुंचा सकता है, और गलत होने पर कौन जवाब देता है? निष्पक्षता को सिद्धांत में समर्थन देना आसान है और व्यवहार में उपेक्षित करना आसान है, क्योंकि पक्षपात उस डेटा में छिपता है जो पूर्ण दिखता है लेकिन ठीक उन समूहों को कम-प्रतिनिधित्व करता है जो पहले से सबसे बुरी स्थिति में हैं। एक ठोस उदाहरण लें — एक प्रवेश-जोखिम मॉडल, एक त्रिआज उपकरण, एक केसलोड-प्राथमिकता स्कोर — और पूछें कि प्रशिक्षण डेटा में कौन सी जनसंख्याएं पतली हैं, एक गलत तरीके से चिह्नित या गलत तरीके से नज़रअंदाज़ किया गया व्यक्ति कैसे प्रभावित होगा, और क्या केवल लॉन्च पर के बजाय समय के साथ जातीयता और अभाव में परिणामों की निगरानी कोई करता है। जवाबदेही पर दबाव डालें: जब आउटपुट को चुनौती दी जाती है, तो क्या एक नामित मानव है जो निर्णय का स्वामी है, या क्या "एल्गोरिथम ने तय किया" चुपचाप ज़िम्मेदारी अवशोषित कर लेता है? गहरा मॉडल प्रशासन विषय 8.4 — AI और उभरती प्रौद्योगिकी प्रशासन से संबंधित है, लेकिन नैतिक स्वामित्व यहां बैठता है। एक परिपक्व उत्तर एक विशिष्ट निष्पक्षता-निगरानी प्रतिबद्धता को जवाबदेही की एक स्पष्ट रेखा के साथ जोड़ता है, गणित निष्पक्ष है इस आश्वासन के साथ नहीं।

6. हम उन लोगों को कैसे शामिल करते हैं जिनका यह डेटा है — विशेष रूप से हमारे प्रति अविश्वास करने के सबसे अच्छे कारण वाले समुदायों को — और क्या हम एक ऐसे निर्णय की ओर इशारा कर सकते हैं जिसे उनकी भागीदारी ने वास्तव में बदला? जुड़ाव वह हिस्सा है जो सबसे आसानी से सजावट में सिमट जाता है: डिज़ाइन तय होने के बाद आयोजित एक परामर्श, या एक पैनल जो केवल उन लोगों से खींचा गया जो पहले से ही संस्थान पर भरोसा करते हैं। कठिन और अधिक मूल्यवान प्रश्न यह है कि क्या रोगी, देखभालकर्ता, और सामुदायिक प्रतिनिधि — विशेष रूप से उन समूहों से जिन्हें स्वास्थ्य सेवा ने ऐतिहासिक रूप से निराश किया है — क्या बनाया जाता है इसे बदलने के लिए पर्याप्त जल्दी कमरे में हैं, और क्या आप एक ठोस परिवर्तन नाम दे सकते हैं जो परिणामस्वरूप हुआ। चर्चा करें कि आप किससे नहीं सुन रहे हैं और क्यों, और क्या आपका जुड़ाव उन तक पहुंचता है जिन्हें शायद ही कभी सुना जाता है या केवल आरामदायक की फिर से पुष्टि करता है। यह विषय 3.0 — उपयोगकर्ता अनुसंधान और सेवा डिज़ाइन और विषय 8.2 — संचार और जुड़ाव से जुड़ता है। एक ईमानदार उत्तर वास्तविक सह-डिज़ाइन को अलग करता है जिसने एक निर्णय को बदला एक संचार अभ्यास से जिसने केवल एक की घोषणा की, और इस बारे में स्पष्ट है कि आप वर्तमान में दोनों में से क्या कर रहे हैं।

व्यवहार में: एक स्वास्थ्य और देखभाल उदाहरण#

Riverbourne Integrated Care System कई दीर्घकालिक स्थितियों वाले लोगों में आपातकालीन प्रवेश को कम करने के लिए जुड़े हुए रोगी डेटा का उपयोग करना चाहता है। विश्लेषिकी टीम के पास एक मज़बूत मामला है: अस्पताल, GP, सामुदायिक, और सामाजिक-देखभाल डेटा को एक साथ लाएं, एक जोखिम मॉडल बनाएं, और उन लोगों को सक्रिय समर्थन दें जिनके बिगड़ने की सबसे अधिक संभावना है। कानूनी रूप से, मार्ग व्यावहार्य है। कार्यक्रम निदेशक, हालांकि, care.data को याद करता है, और ज़ोर देता है कि मॉडल की एक पंक्ति बनने से पहले नैतिक और विश्वास प्रश्नों का उत्तर दिया जाए।

टीम दोनों प्रश्नों को सोच-समझकर अलग करती है। क्या हम कर सकते हैं? को Data Protection Officer और Caldicott Guardian के साथ संभाला जाता है: एक कानूनी आधार, एक Data Protection Impact Assessment, और पुष्टि कि राष्ट्रीय डेटा ऑप्ट-आउट इस द्वितीयक उपयोग पर लागू होता है। क्या हमें करना चाहिए? स्वतंत्र और आम सदस्यों वाले एक नए बुलाए गए डेटा नैतिकता समूह के पास जाता है, जिसमें स्वास्थ्य सेवा में ऐतिहासिक रूप से कम विश्वास वाले समुदायों से दो रोगी प्रतिनिधि शामिल हैं। समूह वकीलों से अधिक कठिन प्रश्न पूछता है: एक जोखिम स्कोर किसे नुकसान पहुंचा सकता है, एक गलत तरीके से चिह्नित व्यक्ति के साथ क्या होता है, और क्या रोगी यह जानकर आश्चर्यचकित होंगे कि उनका सामाजिक-देखभाल डेटा एक अस्पताल मॉडल को फीड कर रहा था?

वे प्रश्न डिज़ाइन बदल देते हैं। विश्लेषण एक मान्यता प्राप्त Secure Data Environment के अंदर चलता है, इसलिए विश्लेषक केवल छद्मनामित रिकॉर्ड पर काम करते हैं जो कभी प्रशासित सेटिंग नहीं छोड़ते। मॉडल के आउटपुट को किसी से संपर्क करने से पहले एक क्लिनिशियन द्वारा समीक्षा की जाती है, स्वचालित रूप से कार्रवाई नहीं की जाती। टीम यह निगरानी करने के लिए प्रतिबद्ध होती है कि क्या मॉडल जातीय समूहों और अभाव स्तरों में समान रूप से अच्छा प्रदर्शन करता है, यह पाते हुए कि प्रशिक्षण डेटा में कम-प्रतिनिधित्व अन्यथा असमानता को गहरा कर सकता है। और ICS कार्यक्रम शुरू होने से पहले एक सादी-भाषा विवरण प्रकाशित करता है — कौन सा डेटा, कौन सा उद्देश्य, किसे लाभ होता है, कौन से सुरक्षा उपाय, और ऑप्ट-आउट कैसे करें — पूछे जाने की प्रतीक्षा करने के बजाय।

जब एक स्थानीय पत्रकार महीनों बाद पूछता है, तो कहानी अघटनापूर्ण है: व्यवस्था पहले से ही सार्वजनिक है, ऑप्ट-आउट का सम्मान किया जाता है, रोगियों ने इसे आकार देने में मदद की, और सुरक्षा उपाय वास्तविक हैं। ऑप्ट-आउट दरें मुश्किल से हिलती हैं। कार्यक्रम अपने पहले वर्ष में प्रवेश को मामूली रूप से कम करता है, लेकिन अधिक टिकाऊ जीत यह है कि Riverbourne अब अपनी अगली डेटा पहल को संदेह के बजाय विश्वास की स्थिति से प्रस्तावित कर सकता है। समझौता स्पष्ट था: जुड़ाव और नैतिकता समीक्षा ने तीन महीने और कुछ अजीब पुनर्डिज़ाइन जोड़े, और एक सामाजिक लाइसेंस खरीदा जिसे एक तेज़, शांत लॉन्च दांव पर लगा देता।

क्षेत्र दृष्टिकोण#

स्टार्टअप#

एक स्वास्थ्य-तकनीक स्टार्टअप के पास आमतौर पर तीव्र तकनीकी प्रवृत्ति और क्षेत्र की विश्वास गतिशीलता की एक पतली समझ होती है, और इसका वाणिज्यिक मॉडल अक्सर डेटा उपयोगों पर निर्भर करता है — विश्लेषिकी, मॉडल प्रशिक्षण, साझेदारी — जिनकी रोगी अपेक्षा नहीं करेंगे। अगर आप एक स्टार्टअप हैं, तो आपका अस्तित्वगत जोखिम एक नियामक का जुर्माना नहीं बल्कि एक NHS साझेदार का चले जाना है जब एक कम-समझाया गया डेटा उपयोग सामने आता है। शुरुआत से "क्या हमें करना चाहिए?" प्रश्न को उत्पाद निर्णयों में शामिल करें, सहमति बनाम ऑप्ट-आउट बनाम वैधानिक आधार के बारे में सावधानीपूर्वक ईमानदार रहें, और "अनामीकृत" को कभी एक तय तथ्य न मानें जब आपका डेटा फिर से पहचानने के लिए पर्याप्त समृद्ध हो। छोटे रहते हुए विश्वास अर्जित करना एक सार्वजनिक गलती के बाद इसे फिर से बनाने से कहीं सस्ता है।

छोटा व्यवसाय#

एक स्थापित छोटा प्रदाता — एक GP प्रैक्टिस, एक सामुदायिक फार्मेसी, एक केयर होम, एक घरेलू-देखभाल एजेंसी, एक एकल-साइट क्लिनिक, या स्टार्टअप चरण से आगे एक छोटा स्वास्थ्य-तकनीक आपूर्तिकर्ता — एक बड़े ट्रस्ट के समान गोपनीयता कर्तव्य और वही "कोई आश्चर्य नहीं" दायित्व उठाता है, लेकिन किताबों पर वास्तविक रोगियों, मुट्ठी भर स्टाफ, और बहुत कम या कोई समर्पित IG या IT क्षमता के साथ। यहां विश्वास जोखिम आमतौर पर एक हेडलाइन डेटा सौदे से अधिक शांत होते हैं: एक नया अपॉइंटमेंट-रिमाइंडर उपकरण, एक आपूर्तिकर्ता द्वारा चालू की गई एक विश्लेषिकी सुविधा, या एक तीसरे पक्ष के साथ आकस्मिक रूप से साझा किया गया रोगी डेटा क्योंकि किसी के पास "क्या हमें करना चाहिए?" पूछने का समय नहीं था। उचित-अपेक्षा परीक्षण को एक औपचारिक समिति के बजाय एक त्वरित, नियमित आदत बनाएं, हर उपयोग के लिए ईमानदारी से सहमति मॉडल को नाम दें, और अपनी Caldicott और Data Protection ज़िम्मेदारियों पर झुकें भले ही वे एक अंशकालिक व्यक्ति पर गिरें। ऐसे आपूर्तिकर्ताओं को चुनें जिनकी डिफ़ॉल्ट सेटिंग्स राष्ट्रीय डेटा ऑप्ट-आउट का सम्मान करती हैं और डेटा को प्रशासित सेटिंग्स में रखती हैं, क्योंकि आप उनके सॉफ़्टवेयर के साथ-साथ उनकी नैतिकता भी विरासत में ले रहे हैं। और याद रखें कि साझा करने का कर्तव्य दोनों तरफ काटता है — एक सुरक्षा चिंता या दवा इतिहास को पास न करना क्योंकि यह अधिक सुरक्षित महसूस होता है साझा करने से अधिक रोगी को नुकसान पहुंचा सकता है।

बड़ा संगठन#

एक बड़ा ट्रस्ट या ICS विशाल, गहराई से संवेदनशील डेटा रखता है और आमतौर पर परिपक्व कानूनी प्रशासन लेकिन कमज़ोर नैतिक मांसपेशी रखता है — बहुत सारे DPIA, कुछ वास्तविक नैतिकता बातचीत। आपकी चुनौती नैतिक परत जोड़ना है बिना वैध साझाकरण को लकवाग्रस्त किए या वाणिज्यिक और अनुसंधान साझेदारी को सार्वजनिक समझ से आगे चलने दिए। स्वतंत्र सदस्यता के साथ एक वास्तविक डेटा नैतिकता कार्य खड़ा करें, अपने डेटा उपयोगों और साझेदारियों को खुले तौर पर प्रकाशित करें, और सुनिश्चित करें कि साझा करने के कर्तव्य का सम्मान किया जाता है ताकि रक्षात्मक अति-सावधानी चुपचाप रोगियों को नुकसान न पहुंचाए। सार्वजनिक विश्वास का बोर्ड-स्तरीय स्वामित्व — केवल अनुपालन नहीं — अंतर पैदा करने वाला कारक है, और यह विषय 6.4 — प्रशासन और आश्वासन से जुड़ता है।

सरकार#

राष्ट्रीय निकाय वे ढांचे निर्धारित करते हैं जिन्हें बाकी सभी विरासत में लेते हैं — राष्ट्रीय डेटा ऑप्ट-आउट, National Data Guardian का मार्गदर्शन, Caldicott सिद्धांत — और वे जनसंख्या पैमाने पर सार्वजनिक विश्वास उठाते हैं, जहां इसे गलत करने के परिणाम स्थानीय के बजाय ऐतिहासिक होते हैं। care.data कार्यक्रम सावधानी का स्मारक है: एक कानूनी, सुनियोजित राष्ट्रीय योजना जो ढह गई क्योंकि जनता को अनजान और अपरामर्शित महसूस हुआ, और इसने वर्षों तक विश्वास को दबाया। पारदर्शिता, सार्थक राष्ट्रीय जुड़ाव, और स्वतंत्र निगरानी के साथ बढ़ाने से पहले नेतृत्व करें, एक प्रतिक्रिया के बाद नहीं। उस समझौते को पहचानें जिसका आप स्वामित्व रखते हैं: अत्यधिक-सावधान राष्ट्रीय नीति देखभाल और अनुसंधान को भूखा रखती है, जबकि लापरवाह नीति उस सार्वजनिक सहमति को खो देती है जिस पर पूरी डेटा प्रणाली निर्भर करती है, जैसा विषय 4.5 — डेटा, विश्लेषिकी और जनसंख्या स्वास्थ्य प्रबंधन में आगे खोजा गया है।

सामान्य विफलता मोड#

• केवल कानूनी प्रश्न का उत्तर देना। एक कानूनी आधार को पूर्ण औचित्य के रूप में मानना, ताकि कोई कभी न पूछे कि क्या एक उपयोग निष्पक्ष, अपेक्षित, या बुद्धिमानीपूर्ण है। यह ठीक वैसे ही है कि कैसे सुनियोजित, पूरी तरह से अनुपालक कार्यक्रम सार्वजनिक विश्वास खो देते हैं।
• सहमति थिएटर। एक ऑप्ट-आउट, एक दबी हुई गोपनीयता सूचना, या एक वैधानिक शक्ति को इस तरह प्रस्तुत करना जैसे यह सार्थक सूचित सहमति हो, ताकि जब लोगों को पता चले कि "सहमत होना" वास्तव में क्या मतलब था तो उन्हें धोखा महसूस हो।
• छिपे हुए या आश्चर्यजनक उपयोग। देखभाल के लिए एकत्र किए गए डेटा को स्पष्ट, सक्रिय नोटिस के बिना विश्लेषिकी, वाणिज्यिक सौदों, या मॉडल प्रशिक्षण में विस्तारित करना — जब तक एक लीक एक बचाव योग्य गतिविधि को एक घोटाले में बदल दे।
• बहाने के रूप में अनामीकरण। समृद्ध, जोड़ने योग्य डेटा को "अनामीकृत" लेबल करना और नैतिक प्रश्न को बंद मानना, पुनः-पहचान जोखिम और मोज़ेक प्रभाव को नज़रअंदाज़ करना।
• सजावट के रूप में जुड़ाव। निर्णय लेने के बाद जनता से परामर्श करना, या केवल पहले से भरोसा करने वालों से, ताकि अभ्यास सूचित करने के बजाय वैध बनाए — और उन समुदायों को छोड़ दे जिनका विश्वास सबसे नाज़ुक है।
• रक्षात्मक अति-सावधानी। वैध साझाकरण से इनकार करना और इसे सुरक्षा कहना, जबकि रोगी उन क्लिनिशियनों से नुकसान उठाते हैं जो वह नहीं देख सकते जिसकी उन्हें आवश्यकता है।

परिपक्वता मॉडल#

जांच-सूची#

• हर गैर-स्पष्ट डेटा उपयोग में एक दर्ज "क्या हमें करना चाहिए?" निर्णय है, इसके कानूनी आधार से अलग।
• सहमति मॉडल (निहित, स्पष्ट, या ऑप्ट-आउट) हर उपयोग के लिए ईमानदारी से नामित है।
• राष्ट्रीय डेटा ऑप्ट-आउट उन सभी द्वितीयक उपयोगों पर लागू होता है जिन्हें यह कवर करता है, और यह प्रदर्शित किया जा सकता है।
• हर नया डेटा प्रवाह एक उचित-अपेक्षा / "कोई आश्चर्य नहीं" परीक्षण पास करता है।
• जहां व्यावहारिक हो वहां Secure Data Environments का उपयोग करते हुए डी-आइडेंटिफ़ाइड डेटा के लिए पुनः-पहचान जोखिम का आकलन किया जाता है।
• नए या संवेदनशील उपयोगों के लिए स्वतंत्र और आम सदस्यता वाला एक डेटा नैतिकता समीक्षा मार्ग मौजूद है।
• डेटा उपयोगों, साझेदारों, और विकल्पों का एक सादी-भाषा सार्वजनिक रजिस्टर प्रकाशित और वर्तमान रखा जाता है।
• नई या वाणिज्यिक डेटा व्यवस्थाओं को शुरू होने से पहले सक्रिय रूप से प्रकट किया जाता है।
• रोगी और समुदाय — कम-विश्वास समूहों सहित — डिज़ाइन और प्रशासन में शामिल हैं, उनके प्रभाव को दर्ज किया गया है।
• जहां डेटा निर्णयों को संचालित करता है वहां पक्षपात और विभेदक प्रभाव का आकलन किया जाता है, जवाबदेही स्पष्ट रूप से स्वामित्व में।
• साझा करने के कर्तव्य को रक्षा करने के कर्तव्य जितना ही सोच-समझकर तौला जाता है, ताकि अति-सावधानी को सुरक्षा न समझा जाए।

मुख्य स्रोत#

• National Data Guardian for Health and Social Care — समीक्षाएं, Caldicott Principles, और विश्वसनीय डेटा उपयोग पर मार्गदर्शन।
• NHS England — राष्ट्रीय डेटा ऑप्ट-आउट: नीति, परिचालन मार्गदर्शन, और सार्वजनिक जानकारी।
• Understanding Patient Data — NHS डेटा का उपयोग कैसे और क्यों किया जाता है इसकी सादी-भाषा व्याख्याएं।
• Information Commissioner's Office (ICO) — अनामीकरण, छद्मनामकरण, और डेटा-साझाकरण मार्गदर्शन।
• National Data Guardian & Department of Health — Review of Data Security, Consent and Opt-Outs (2016), जो care.data अनुभव के बाद आया।
• Ada Lovelace Institute — स्वास्थ्य में डेटा नैतिकता, सार्वजनिक दृष्टिकोण, और विश्वसनीय डेटा अभ्यास पर अनुसंधान।
• NHS Digital / NHS England — स्वास्थ्य और सामाजिक देखभाल डेटा के लिए Secure Data Environment नीति दिशानिर्देश।

संदर्भ#

1. Big data ethics — Wikipedia — https://en.wikipedia.org/wiki/Big_data_ethics
2. Informed consent — Wikipedia — https://en.wikipedia.org/wiki/Informed_consent
3. Duty of confidentiality — Wikipedia — https://en.wikipedia.org/wiki/Duty_of_confidentiality
4. care.data — Wikipedia — https://en.wikipedia.org/wiki/Care.data
5. Caldicott guardian — Wikipedia — https://en.wikipedia.org/wiki/Caldicott_guardian
6. National Data Guardian for Health and Social Care — Wikipedia — https://en.wikipedia.org/wiki/National_Data_Guardian_for_Health_and_Social_Care
7. De-identification — Wikipedia — https://en.wikipedia.org/wiki/De-identification
8. Pseudonymization — Wikipedia — https://en.wikipedia.org/wiki/Pseudonymization
9. Data anonymization — Wikipedia — https://en.wikipedia.org/wiki/Data_anonymization
10. Algorithmic bias — Wikipedia — https://en.wikipedia.org/wiki/Algorithmic_bias
11. Algorithmic accountability — Wikipedia — https://en.wikipedia.org/wiki/Algorithmic_accountability
12. National data opt-out — NHS England — https://digital.nhs.uk/services/national-data-opt-out
13. Review of Data Security, Consent and Opt-Outs — National Data Guardian — https://www.gov.uk/government/publications/review-of-data-security-consent-and-opt-outs
14. The Caldicott Principles — National Data Guardian — https://www.gov.uk/government/publications/the-caldicott-principles
15. How we use and protect data / Understanding Patient Data — Understanding Patient Data — https://understandingpatientdata.org.uk/
16. Anonymisation and pseudonymisation guidance — Information Commissioner's Office — https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/data-sharing/anonymisation/
17. Secure Data Environment for NHS health and social care data — policy guidelines — NHS England — https://www.gov.uk/government/publications/secure-data-environment-policy-guidelines