فیلتر کردن داده های سلامت با پایتون: کاهش حریم خصوصی در عصر دیجیتال

تحول مورد انتظار: کاهش داده‌های سلامت با استفاده از پایتون

این مقاله یک روش برنامه‌نویسی برای کاهش داده‌ها (Data Minimization) بر اساس اصل «حداقل دسترسی ضروری» را توضیح می‌دهد. به طور خاص، این مقاله به معرفی ویژگی «سلامت» در ChatGPT از سوی OpenAI در ژوئیه ۲۰۲۶ می‌پردازد که به پردازش داده‌های اپل‌هلث متعهد شده و اطمینان می‌دهد که از این داده‌ها برای آموزش مدل یا تبلیغات استفاده نخواهد شد.

پیاده‌سازی اصلی: یک تابع minimize با استفاده از دیکشنری POLICY که «مقاصد» (مانند activity_summary) را به «فیلدهای مجاز» (مانند date، steps) ارتباط می‌دهد. دو تصمیم کلیدی در این معماری وجود دارد: ۱) استفاده از لیست‌های مجاز (Allow-lists) به جای لیست‌های ممنوعه و ۲) Fail-closed (بازگرداندن خطا برای مقاصد ناشناخته) به جای بازگرداندن داده‌های کامل.

استراتژی تست: تست‌های واحد (unittest) سه قانون حریم خصوصی را الزامی می‌کنند: خروجی دقیق فیلدهای اعلام‌شده، عدم تغییر ورودی اصلی (Immutability با deepcopy) و شکست مطمئن برای مقاصد نامعتبر. تست‌های منفی (افزودن فیلدهای اضافی یا تایپ اشتباه Policy) رگرسیون را شناسایی می‌کنند.

محدودیت‌ها: این کد تنها بر روی دیکشنری‌های تخت کار می‌کند و شامل نمی‌شود: پاک‌سازی مقادیر، درک فرمت‌های بالینی، ناشناس‌سازی، تأیید دقت، امنیت فایل، اجرای حذف، یا یکپارچه‌سازی با سرویس‌های واقعی. این یک «ابزار آموزشی» است و باید از استفاده در تولید بدون بازبینی جامع حریم خصوصی و امنیتی خودداری کرد.

سوال اصلی این نیست که “چگونه داده های سلامتی را تجزیه و تحلیل کنم؟” بلکه این است که “چگونه یک برنامه می‌تواند ثابت کند که یک هدف فیلدهای کمتری نسبت به رکورد اصلی دریافت می‌کند؟” این همان کاهش داده است: جمع آوری یا ارسال تنها آنچه یک وظیفه مشخص به آن نیاز دارد.

این موضوع به موقع است زیرا OpenAI به تازگی ویژگی سلامت خود را در ChatGPT در تاریخ ۲۳ ژوئیه ۲۰۲۶ معرفی کرده است. OpenAI اعلام کرده که این نسخه شامل کاربران واجد شرایط ایالات متحده که بالای ۱۸ سال سن دارند و از وب یا iOS استفاده می‌کنند، می‌شود. این شرکت همچنین می‌گوید که داده‌های متصل و مکالمات مربوطه برای آموزش مدل‌های بنیادی یا هدف‌یابی تبلیغات استفاده نخواهند شد. اینها اظهارات شرکت از منبع اولیه هستند و نه نتایج این درس.

برنامه پیش نیاز و کوچک

از Python 3.11 یا نسخه‌های جدیدتر استفاده کنید و فقط از کتابخانه استاندارد بهره ببرید. کد و خروجی‌های زیر به عنوان نمونه‌های اجرا نشده برچسب‌گذاری شده‌اند.

from copy import deepcopy
POLICY = {
“activity_summary”: {“date”, “steps”},
“sleep_summary”: {“date”, “sleep_minutes”},
}

def minimize(record: dict, purpose: str) -> dict:
if purpose not in POLICY:
raise ValueError(f”unknown purpose: {purpose}”)
allowed = POLICY[purpose]
return {key: deepcopy(value) for key, value in record.items()
if key in allowed}

دو انتخاب مهم وجود دارد. این خط مشی به جای نگهداری یک لیست بزرگ «ایمن»، اهداف را به فیلدها ترسیم می‌کند. همچنین، یک هدف ناشناخته به جای بازگرداندن ورودی کامل، یک خطا تولید می‌کند. این رفتار دوم بسته شده است.

تست‌ها قانون حفظ حریم خصوصی را بیان می‌کنند

این را در کنار تابع در قرار دهید test_minimize.py، نام واردات را به فایل خود تنظیم کنید:

import unittest
from minimizer import minimize
RECORD = {
“date”: “2026-07-20”,
“steps”: 4200,
“sleep_minutes”: 395,
“medication”: [“example-only”],
“note”: “private free text”,
}
class MinimizerTests(unittest.TestCase):
def test_activity_keeps_exact_fields(self):
out = minimize(RECORD, “activity_summary”)
self.assertEqual(out, {“date”: “2026-07-20”, “steps”: 4200})
def test_input_is_not_changed(self):
before = RECORD.copy()
minimize(RECORD, “sleep_summary”)
self.assertEqual(RECORD, before)
def test_unknown_purpose_fails_closed(self):
with self.assertRaises(ValueError):
minimize(RECORD, “personalization”)
if __name__ == “__main__”:
unittest.main()

دستور مورد نظر است python3 -m unittest -v. از آنجایی که برای این مقاله اجرا نشده است، خوانندگان باید سه آزمایش موفقیت آمیز مورد انتظار را به عنوان یک هدف در نظر بگیرند، نه شواهد مشاهده شده.

ابتدا ورودی بد را امتحان کنید

اضافه کنید “location_history”: […] به RECORD. آزمون فعالیت هنوز باید دقیقاً دو فیلد خروجی را انتظار داشته باشد. اگر یک ویرایش آینده پیاده‌سازی را برای بازگرداندن همه فیلدها تغییر دهد، این ادعا به طور مشهودی با شکست مواجه می‌شود. بعد، یک اشتباه تایپی خط مشی مانند activity_summry; آزمایش با هدف نامعلوم توضیح می‌دهد که چرا حدس زدن بی سر و صدا خطرناک است.

اشتباهات رایج شامل حذف کلیدها از فرهنگ لغت اصلی، استفاده از record.get() برای یک خط مشی ناشناخته، و تنها آزمایش کردن steps به جای بررسی کل خروجی وجود دارد. یک تست مینیمینه کننده باید اطلاعات اضافی را شناسایی کند، نه صرفاً اطلاعات از دست رفته را.

این چه چیزی را آموزش می‌دهد – و چه چیزی را نمی‌دهد

پس از این تمرین، یادگیرنده باید بتواند محدودیت‌های هدف، لیست‌های مجاز میدانی، رفتارهای بدون شکست و تست‌های منفی را توضیح دهد. گسترش این است که هر خط مشی را با یک مالک و تاریخ انقضا نشان دهد، سپس خط مشی‌های منقضی شده را رد کند.

این ابزار تنها دیکشنری‌های تخت را کنترل می‌کند. مقادیر را پاکسازی نمی‌کند، قالب‌های بالینی تودرتو را درک نمی‌کند، افراد را ناشناس نمی‌کند، دقت را تأیید نمی‌کند، فایل‌ها را ایمن نمی‌کند، حذف را اجرا نمی‌کند، یا با هر سرویس اعلام‌شده یکپارچه نمی‌شود. مقادیر نمونه تخیلی هستند و هیچ معنای پزشکی ندارند. هرگز از عملکرد به عنوان کنترل داده‌های سلامت تولید بدون بررسی حریم خصوصی و امنیتی جامع استفاده نکنید.

OpenAI می‌گوید ویژگی سلامتی آن برای پشتیبانی و نه جایگزینی مراقبت‌های پزشکی طراحی شده است و برای تشخیص یا درمان در نظر گرفته نشده است. این درس برنامه‌نویسی نیز هیچ توصیه پزشکی ارائه نمی‌دهد و هیچ ادعای بالینی ندارد.

افشای کمک هوش مصنوعی: این مقاله با کمک هوش مصنوعی تهیه شده و بر اساس منبع اصلی ذکر شده بررسی شده است.