25gmds134 10.3205/25gmds134 urn:nbn:de:0183-25gmds1345 Meeting Abstract Hoffmann Hoffmann Mark M

Data In Motion Consulting GmbH, Jena, Germany

author German Medical Science GMS Publishing House

Düsseldorf

610 Modellierung technischer Datenschutz Datenschutz-Grundverordnung (DSGVO) Model-Driven-Privacy 20251103 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0631 134 Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie 70. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS) PS 6: Synthetic data, privacy & consent Jena 20250907 20250911 Abstr. 202 TextDatenschutz spielt im Kontext medizinischer Daten eine sehr große Rolle. Die DSGVO gibt eine Reihe von Maßnahmen und Regelungen vor, mit denen Daten von Patienten geschützt werden sollen. Aktuell fehlt es an Hilfsmitteln für technische Datenschutz.Unter Verwendung von Modellierungstechniken eröffnen sich Möglichkeiten einer technisch, automatisierten Tests. Datenmodelle, insbesondere innerhalb der Closed-World-Assumption, eigenen sich für eine automatisierte Analyse von Datenstrukturen und Instanzen zur Laufzeit.Mit Hilfe vom NLP haben wir prototypisch können sowohl auf Schema-Ebene aber später auch auf Daten-Instanz-Ebene automatische Prüfungen durchgeführt werden, die dann ein Entscheidungsunterstützungssystem für Datenschutzverantwortliche schaffen oder gar die technische Vorinformationen für eine Anonymisierungskonfiguration zu liefern, die dann im nachgelagerten Schritt ausgeführt werden.Das Poster skizziert unseren Ansatz zur potenziellen Lösung dieser Herausforderung.Der Autor gibt an, dass kein Interessenkonflikt besteht.Der Autor gibt an, dass kein Ethikvotum erforderlich ist.Der Beitrag wurde bereits vorgestellt: AVATAR Konsortialtreffen Berlin 24.08.2024 0 0 0 0