隨著移動醫療、AI醫療影像、電子病歷等醫療數字化程度的加深，如今醫療數據被泄露已成家常便飯。在理想狀態下，醫療數字化是解決世界范圍內醫療資源分配效率低下的最好方法。通過移動化、AI等新技術，醫患之間可以實現遠程溝通，不僅節省了就醫成本，同時更讓醫療資源得到了均衡配置，即使醫療資源過于集中在一線城市，那些生活在三四線和鄉、鎮、村的人們也能通過這種方式獲得更好的醫療服務。

　　當人們在享受互聯網醫療帶來的巨大便利同時，卻未曾考慮過它的陰暗面，那就是個人醫療健康數據泄露。由于云端配置錯誤，美國一家為患者提供家庭醫療服務的企業Patient Home Monitoring保存在亞馬遜S3服務器中的47GB的醫療數據意外泄露，預計至少有15萬患者受影響。這些泄露的數據包括患者的血液測試結果、個人信息，如患者的姓名、家庭住址、醫生信息以及病例管理記錄等。

　　在中國，醫療機構大都各自為政，即便是一個醫院內部也很難做到信息共享。目前市場上各類移動醫療APP沉淀著大量個人醫療數據，很多用戶只看到了這些產品的工具屬性或平臺屬性，卻沒人在意這些數據最終流向哪里，或被用到何處，信息共享和個人隱私的博弈始終在進行。

　　顯然，包括上述個人信息的數據字段是不應該被公開的，因為這有可能泄露個人隱私。比如：該研究曾使用麻省總醫院的出院數據和選舉投票的注冊數據進行匹配，最終鏈接出某麻省議員的住院信息。健康醫療大數據在全球快速發展，越來越多的個人數據被“脫敏”后公開，用于精準醫學等各類大數據研究。然而，如上所述的健康醫療數據被公開或將引出一系列隱私安全問題。

　　脫敏后分享，隱私就會安全嗎？健康醫療大數據時代，大量醫療數據被源源不斷采集。人們往往認為，一組醫療數據把名字、身份證信息去掉后就安全了，可以公開使用。然而，當這組數據跟另一組數據連在一起時，可能會完全暴露個人隱私。如果加入基因數據，隱私安全威脅就會更明顯。隨著基因檢測技術發展，只需大概75個統計上獨立的SNP位點即可唯一確定一個人，所以說基因數據比指紋數據更敏感。

　　當基因檢測數據與一些病理數據相遇時很容易匹配到具體個人，這種確認可能會侵犯人類隱私。2013年，英國曾推出一個Care.data計劃，將有關病人的數據采集、匯總，進行共享和使用，但是實施不過3年，2016年7月份，該項目被關停，更多的原因則是隱私方面的問題沒有做得很好。首先，對數據的保密性關注不夠，比如，對個人隱私進行匿名化和脫敏處理之后，該系統和其他系統關聯后，依然可以通過數據挖掘的方式辨別有關病人。

　　其次，項目里沒有界定數據開放共享的用處。最后，采集病人的數據信息時，并未征得患者的同意。今年年初，比雷埃夫斯大學研究人員對安卓生態中20款最受歡迎的醫療、健康類產品進行了調研，得出的結論是80%的產品涉嫌擅自傳播用戶數據。這些產品中有50%都和第三方共享用戶文本、多媒體甚至醫療影像方面的數據。而且有20%的應用沒有推出包含隱私問題的用戶須知文件。

　　隱私數據如何突破“棱鏡”困擾？健康醫療大數據的巨大潛力吸引無數醫療機構、科研團體積極探索，一邊是數據帶來的隱私安全“黑洞”，一邊是精準醫學打開的未來醫療世界大門，隱私安全保護與數據公開應用能否兼得？以下一些技術可以在醫療數據化過程中加以應用。

　　比如學習一個模型需要看某些參數，這些參數代表疾病的高風險性與年齡、性別或其它特征的關系，我們可以把從每個醫療機構內部個體數據得到的統計值整合成一個全局的模型參數，然后把對應的模型分享給研究人員，但訓練模型的原始數據并不需要被分享給其他醫療機構或研究人員。差分隱私：如果只是做一些前期探索性研究，研究者并不需要原始數據，只需要跟原始數據相似的數據信息即可。

　　因此，可以在原始的數據上添加噪音，或者先在原始數據上擬合出一個分布來，然后在這個分布的空間里面再抽象出數據來。這個數據會跟原始數據很相像，但是沒有任何點能夠對應到原始數據上。這樣，研究人員可以使用這種數據去做研究，但是無從得知數據本來屬于誰。同態加密：如果是基于公有云做數據運算，為提高安全等級可以選擇同態加密。

　　同態加密是級別非常高的一項加密手段，通過同態加密可以在加密數據上做加密運算，得到的結果也是加密的，只有授權的用戶才能把加密的結果拿到。這樣就能既能讓用戶放心使用公有云資源，又能保護個人隱私等數據安全。硬件加密：利用英特爾第六代之后的芯片的一個加密區域，讓只有授權的用戶才可以訪問。所有數據在硬件外都是加密的，非授權用戶看不到。

　　與此同時，在醫療數據保護方面，政府也要進一步加強相關數據安全法律建設，企業則要積極進行細分領域的科技創新，只有多方共同努力，才能真正實現我的隱私我做主。