Son las 8:40. El laboratorio llegó y lo ibas a pegar entero para que te lo explicaran. Es rápido. También sale de tu casa: nombre, fecha, ciudad y un valor que solo es tuyo. Lo que escribes viaja a servidores de una empresa. Según su política, puede guardarse o usarse para mejorar el sistema. Saber qué tapar es parte de usar el chat sin soltar la historia.
Por qué quitar el nombre no alcanza
Anonimizar no es borrar el encabezado. Edad, ciudad, diagnóstico y fecha, juntos, vuelven a señalar a una persona. En una base de Estados Unidos, 15 datos demográficos bastaron para estimar la reidentificación del 99,98 % de la gente, aunque faltaran campos. Además, un modelo puede memorizar trozos del entrenamiento y devolverlos luego, texto exacto incluido. Es como dejar el informe en un mostrador: quizá nadie lo lea. Ya no decides quién pasa.
Tres cortes antes de pegar
- Identificación. No van nombre, documento, fecha exacta, dirección ni el PDF entero. Queda el valor y la unidad: “ferritina 18 ng/mL”, sin el membrete.
- Memoria del sistema. Si el servicio usa el historial para entrenar, desactiva esa opción. Lo que ya se usó no se borra con cerrar la pestaña.
- Canal. Lo sensible —un diagnóstico, un seguro, un parte— no es consulta confidencial. Va por el canal de tu médico, no por el chat de consumo.
Quitar el nombre no anonimiza. Edad, ciudad, diagnóstico y fecha, juntos, pueden volver a ser una persona
Preguntar igual, sin entregar el expediente
La ingeniería de consulta, aquí, es describir el caso en general y pedir qué significa un rango, no un dictamen. Revisa la política antes de la primera pegada. Los límites de la IA incluyen este: no hay secreto profesional del otro lado. Si el resultado asusta o no lo entiendes, se comenta en RedSana, con supervisión humana. Eso es Medicina Integrativa: la explicación puede empezar en casa, el dato que te identifica no sale de ahí.
Referencias científicas:
1. Rocher L, Hendrickx JM, de Montjoye YA. Estimating the success of re-identifications in incomplete datasets using generative models. Nat Commun. 2019;10:3069. doi:10.1038/s41467-019-10933-3. PMID: 31337762.
2, Carlini N, Tramèr F, Wallace E, et al. Extracting training data from large language models. In: Proceedings of the 30th USENIX Security Symposium. 2021:2633-2650. doi:10.48550/arXiv.2012.07805.
3. Price WN, Cohen IG. Privacy in the age of medical big data. Nat Med. 2019;25(1):37-43. doi:10.1038/s41591-018-0272-7. PMID: 30617331.
4. Vayena E, Blasimme A, Cohen IG. Machine learning in medicine: addressing ethical challenges. PLoS Med. 2018;15(11):e1002689. doi:10.1371/journal.pmed.1002689. PMID: 30399149.