Um Estudo Comparativo entre Algoritmos de Proteção da Privacidade Aplicado à Bases de Dados na Área de Saúde

  • Francimaria Nascimento Universidade Federal do Rio Grande do Norte
  • Karliane Vale Universidade Federal do Rio Grande do Norte
  • Flavius Gorgônio Universidade Federal do Rio Grande do Norte

Resumo


O crescente aumento no volume de dados coletados, armazenados e compartilhados por instituições da área da saúde gera benefícios para o processo de tomada de decisão com base no conhecimento adquirido a partir da aplicação de técnicas de análise e mineração de dados na extração de informações úteis. A despeito dos benefícios propiciados, o compartilhamento desses dados em seu formato original pode por em risco a privacidade dos pacientes. Na tentativa de validar soluções para este problema, este artigo compara algumas técnicas de anonimização e perturbação de dados, avaliando a eficácia dessas técnicas na garantia da privacidade e segurança de dados compartilhados, em particular, quando aplicadas a bases de dados na área da saúde.

Palavras-chave: Proteção da Privacidade, saude, algoritmos de proteção, perturbação de dados, privacidade, segurança

Referências

Agrawal, R. and Srikant, R. (2000). Privacy-preserving data mining. In ACM Sigmod Record, volume 29, pages 439–450, California. ACM.

Byun, J., Kamara, A., Bertino, E., and Li, N. (2007). Efficient k-anonymization using clustering techniques. In 12th Int Con Database Syst Adv App, pages 188–200, Berlin.

Emam, K. (2006). Data anonymization practices in clinical research: a descriptive study. CHEO Research Institute, Ottawa.

Kedar, S., Dhawale, S., Vaibhav, W., Kadam, P., Wani, S., and Ingale, P. (2013). Privacy preserving data mining. Advanced Res. in Comp. and Com. Eng., 2(4):1677–1680.

Kumari, A., Rao, R., and Suman, M. (2012). Vector quantization for privacy preserving clustering in data mining. Advance Computing, 3(6):69–74.

Li, N., Li, T., and Venkatasubramaniam, S. (2007). t-Closeness. In 23rd International Conference on Data Engineering, 2007, pages 106–115, Istambul. IEEE.

Lidell, Y. and Pinkas, B. (2000). Privacy-preserving data mining. In International Cryptology Conference on Advances in Cryptology, 1880, pages 36–54, California. Springer.

Liu, L., Yang, K., Hu, L., and Li, L. (2012). Using noise addition method based on pre-mining to protect healthcare privacy. Journal Control Eng. App. Inf., 14(2):58–64.

Machanavajjhala, A., Kifer, D., Gehrke, J., and Venkitasubramaniam, M. (2007). l-diversity: Privacy beyond k-anonymity. ACM Transactions on KDD, 1(3):52.

Oliveira, S. and Zaïane, O. (2007). A privacy-preserving clustering approach toward secure and effective data analysis for business collaboration. Com&Sec, 26(1):81–93.

Oliveira, S. and Zaïane, O. (2010). Privacy Preserving Clustering by Data Transformation. Journal of Information and Data Management, 1(1):37–51.

Sinha, B. and Kumar, J. (2010). Privacy Preserving Clustering In Data Mining. PhD thesis, National Institute of Technology Rourkela, Rourkela.

Xiao, X. and Tao, Y. (2006). Anatomy: Simple and effective privacy preservation. In Proc. of the 32nd Int. Conf. on Very Large Data Bases, pages 139–150, Hong Kong.
Publicado
25/08/2018
NASCIMENTO, Francimaria; VALE, Karliane; GORGÔNIO, Flavius. Um Estudo Comparativo entre Algoritmos de Proteção da Privacidade Aplicado à Bases de Dados na Área de Saúde. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 33. , 2018, Rio de Janeiro. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2018 . p. 301-306. ISSN 2763-8979. DOI: https://doi.org/10.5753/sbbd.2018.22247.