Produktdetails

Datum der Erstverfügbarkeit
Version/Versionsdatum
3.9.1
Lizenzmodell
Apache 2
Preis
kostenlos
Support
Community
Technische Voraussetzungen
Windows, macOS oder Linux
Hardwareanforderung variieren je nach Anwendungsfall

Beschreibung

ARX ist eine Softwarelösung, mit der das Reidentifikationsrisiko strukturierter medizinischer Daten analysiert und reduziert werden kann. Die für die Messung und Reduktion von Risiken zur Verfügung stehenden Methoden orientieren sich dabei an Empfehlungen für die medizinische Domäne. Die Software verfügt über eine breite Methodenunterstützung, eine umfangreiche graphische Benutzeroberfläche und sie ist hochskalierbar.

Auch wenn ARX sich durch eine für Datenanonymisierungslösungen sehr intuitive Benutzeroberfläche auszeichnet, ist ein tiefgreifendes Verständnis der eingesetzten Methoden notwendig, um die Software sinnvoll einsetzen zu können.

Das Produkt im Einsatz

Zusätzliche Anwendungsbereiche

  • Medizinsche Fakultät der Universität Hamburg
  • Popgen 2.0 Netzwerk (P2N)

Unterstützung

Updates der Software werden mindestens jährlich veröffentlicht (siehe https://github.com/arx-deidentifier/arx/releases).

Die graphische Benutzeroberfläche der Software enthält eine integrierte Dokumentation, die auch online abgerufen werden kann (siehe https://arx.deidentifier.org/anonymization-tool/).

Die Softwarebibliothek ist mit Javadoc dokumentiert (siehe https://arx.deidentifier.org/downloads/). Beispiele finden sich ebenfalls online (siehe https://github.com/arx-deidentifier/arx/tree/master/src/example/org/dei…).

Fehler und Verbesserungswünsche können online gemeldet werden (siehe https://github.com/arx-deidentifier/arx/issues).

Erfahrungsberichte

  • Nützlich für Forschung und Lehre

    Die Anonymisierung medizinischer Daten, gerade solcher lebender Patienten, ist eine wichtige Alternative für die Einhaltung von Datenschutzbestimmungen, wenn Dritte außerhalb der eigentlichen Behandlung Zugriff auf Individualdaten benötigen, z.B. für Zwecke der medizinischen Forschung. (Vollständige) Anonymität verhindert, dass konkrete Individuen aus einer Kohorte identifiziert werden können oder mit anderen Datensätzen zusammengeführt werden. Es ist leicht einsichtig, dass anonyme Datenweitergabe – verglichen mit anderen Ansätzen wie vertragliche Einzelabsprachen – die weitgehendste und einfachste Vorgehensweise wäre.

    Leider ist Anonymität ein häufig vorausgesetztes, aber schlecht verstandenes Konzept. Ein Datensatz kann nicht einfach als anonym oder als nicht anonym ausgezeichnet werden. Anonymität bezeichnet ein Risiko in einem gewissen Kontext. Zusätzlich existieren vielfältige mathematische Algorithmen zur Berechnung und Verminderung einzelner Risiken, die in der Mehrzahl der Fälle auch recht komplex sind, sodass viele Forscher auf die Freigabe von Daten und die damit verbundenen rechtlichen Problematik lieber verzichten.

    ARX ist eine Software zum Anonymisieren von Daten. Es handelt sich um eine klassische PC-Anwendung, die ohne größere Installation startet. Beispieldatensätze werden mitgeliefert. Während der Funktionsumfang für einen ungeschulten Nutzer wie bei allen ähnlichen Anwendungen erschlagend wirkt, hat man nach einer kompetenten Anleitung z.B. im Rahmen einer TMF-Schulung in wenigen Stunden die wesentlichen Konzepte und Bedienschritte verstanden.

    Wir nutzen ARX in der Medizininformatik-Lehre, um anhand anschaulicher Beispiele zu zeigen, welche typischen Angriffsszenarien existieren, wie sie sich verhindern lassen und welcher „Preis“ im Sinne des Informationsverlustes zu zahlen ist. Mit ARX lassen sich verschiedene Verfahren wie Ausschluss seltener Datensätze, Verallgemeinerungen oder Verfälschungen kombinieren. Ergebnisse und alternative Wege werden statistisch und visuell dargestellt. Damit hilft ARX einem Anwender auch bei der Erstellung eines Anonymisierungskonzepts.

Eigenen Erfahrungsbericht verfassen

Referenzen

  • Prasser F, Kohlmayer F, Lautenschläger R, Kuhn KA. ARX - A Comprehensive Tool for Anonymizing Biomedical Data. AMIA Annual Symposium Proceedings. 2014;2014:984-993.

  • Prasser F & Kohlmayer F. Putting statistical disclosure control into practice: The ARX data anonymization tool. In Medical Data Privacy Handbook. 2015;111-148. Springer International Publishing.

  • EU Agency for Network and Information Security (ENISA): Privacy and Data Protection by Design (2014)

  • European Medicines Agency (EMA): EMA/90915/2016  - External Guidance on the Implementation of the European Medicines Agency Policy on the Publication of Clinical Data for Medicinal Products for Human Use (2016)

  • Tremmel, S., Die K-Frage. Wie man Daten richtig anonymisiert. c´t, 2020. 2020(5): S. 156-159.

Literaturempfehlungen

  • George T. Duncan, Mark Elliot, Gonzalez Juan Jose Salazar. Statistical Confidentiality - Principles and Practice. Springer. 2011.

  • Khaled El Emam. Guide to the De-Identification of Personal Health Information. CRC Press, 2013.

  • Khaled El Emam, Luk Arbuckle. Anonymizing Health Data: Case Studies and Methods to Get You Started. O'Reilly Media, Inc. 2014.

  • Mark Elliot, Elaine Mackey, Kieron O’Hara, Caroline Tudor. The Anonymisation Decision-Making Framework. UKAN Publications. 2016.

Schlagworte

Produkt-Features vergleichen mit ähnlichen Produkten

Wählen Sie maximal 4 weitere Produkte aus, die sie mit diesem Produkt vergleichen wollen.

Kommentare

Um einen Kommentar verfassen zu können, müssen Sie sich zunächst anmelden!