Sağlık Verilerinde Gizlilik ve Yapay Zeka Eğitimi

Eğitim Hakkında

Bu eğitim, sağlık verisiyle yapay zeka projesi yürüten kurumların hukuki yükümlülüklerini, yapay zekaya özgü gizlilik risklerini ve bu riskleri azaltan teknik yöntemleri bir arada ele alan uygulamalı bir programdır. Katılımcılar KVKK ve ilgili düzenlemeleri, anonimleştirme, diferansiyel gizlilik, federe öğrenme ve sentetik veri yaklaşımlarını sağlık vakaları üzerinde değerlendirir.

Neden Bu Eğitim?

Hukuk ve Teknik Bir Arada. Uyum ekipleri ile veri bilimcilerini aynı dili konuşur hale getiren, mevzuatı teknik önlemlere bağlayan içerik.

YZ'ye Özgü Riskler. Yeniden kimliklendirme, üyelik çıkarımı ve model sızıntısı gibi klasik güvenlikte görülmeyen riskleri tanıyın.

Uygulanabilir Önlemler. Anonimleştirme, diferansiyel gizlilik ve federe öğrenmenin hangi senaryoda işe yaradığına kanıtla karar verin.

“Sağlıkta yapay zekaya duyulan güven, hastanın verisinin ona gösterilen özen kadar korunduğundan emin olmasıyla başlar.”

Ön Koşullar

Sağlık Verisi Deneyimi — Hasta kayıtları, araştırma verileri veya sağlık bilgi sistemleriyle çalışma deneyimi.
KVKK Temel Bilgisi — Kişisel veri, açık rıza ve veri sorumlusu gibi temel KVKK kavramlarına genel aşinalık.
Veri Okuryazarlığı — Tablo yapısındaki verileri, değişken türlerini ve temel istatistiksel özetleri yorumlayabilmek.
Kodlama İsteğe Bağlı — Teknik demolar hazır ortamlarda gösterilir; programlama bilgisi zorunlu değildir.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiSağlık verisine ilişkin ulusal ve uluslararası düzenlemeleri kavramak, yapay zeka projelerindeki gizlilik risklerini tanımak ve veri koruma etki değerlendirmesi yapabilmek.

Modül 1

Sağlık Verisinin Hukuki Çerçevesi

KVKK'da özel nitelikli kişisel veri olarak sağlık verisi
7499 sayılı Kanun ile güncellenen işleme şartları
Kişisel Sağlık Verileri Hakkında Yönetmelik esasları
GDPR Madde 9 ve HIPAA ile karşılaştırmalı bakış
Avrupa Sağlık Veri Alanı (EHDS) ve ikincil kullanım
Vaka: Retrospektif araştırma için hukuki dayanak analizi

Modül 2

Veri Aktarımı, Bulut ve LLM Servisleri

Yurt dışına veri aktarımında güncel KVKK mekanizmaları
Bulut tabanlı yapay zeka servislerinde veri işleyen ilişkisi
Kamu LLM araçlarına hasta verisi girişinin riskleri
Kurumsal LLM sözleşmeleri: veri saklama ve eğitim hariç tutma
Tedarikçi değerlendirme soru listesi ve sözleşme maddeleri
Uygulama: Bir YZ tedarikçisi için gizlilik kontrol listesi

Modül 3

Yapay Zekaya Özgü Gizlilik Saldırıları

Bağlantı (linkage) saldırılarıyla yeniden kimliklendirme
Üyelik çıkarımı (membership inference) saldırıları
Model tersine çevirme (model inversion) riski
Büyük dil modellerinde eğitim verisi ezberi ve sızıntısı
İstem enjeksiyonu ile hasta bilgisinin açığa çıkması
Demo: Anonim sanılan veri setinde yeniden kimliklendirme

Modül 4

Veri Koruma Etki Değerlendirmesi

Tasarımda ve varsayılan olarak gizlilik ilkeleri
Veri minimizasyonu, amaçla sınırlılık ve saklama süreleri
Veri koruma etki değerlendirmesinin adımları
Risk matrisi: olasılık, etki ve azaltıcı önlemler
Atölye: Sepsis modeli projesi için etki değerlendirmesi
Günün özeti ve gizlilik teknolojileri gününe köprü

Günün hedefiAnonimleştirme, diferansiyel gizlilik, federe öğrenme ve sentetik veri yöntemlerini karşılaştırmak ve sağlık kurumuna uygun bir gizlilik ve veri yönetişimi modeli tasarlamak.

Modül 1

Anonimleştirme ve Takma Adlandırma

Anonimleştirme ile takma adlandırmanın hukuki farkı
k-anonimlik, l-çeşitlilik ve t-yakınlık modelleri
ARX aracıyla genelleme ve baskılama uygulaması
DICOM görüntülerinde başlık ve piksel anonimleştirme
Microsoft Presidio ile klinik metinde kimlik ayıklama
Uygulama: Hasta tablosunda yeniden tanımlama riski ölçümü

Modül 2

Diferansiyel Gizlilik

Diferansiyel gizliliğin sezgisel tanımı ve epsilon
Gizlilik bütçesi ile analiz doğruluğu arasındaki denge
İstatistik yayınında gürültü ekleme mekanizmaları
Opacus ile diferansiyel gizlilikli model eğitimi (DP-SGD)
Sağlık araştırmalarında uygulama örnekleri ve sınırlar
Demo: Farklı epsilon değerlerinde model başarımı

Modül 3

Federe Öğrenme ve Sentetik Veri

Veriyi taşımadan çok merkezli model eğitimi mantığı
Flower ve NVIDIA FLARE ile federe öğrenme mimarisi
Güvenli toplama, homomorfik şifreleme ve güvenilir ortamlar
Synthea ve SDV ile sentetik hasta verisi üretimi
Sentetik verinin fayda ve gizlilik açısından sınanması
Vaka: Çok merkezli görüntüleme projesinde federe eğitim

Modül 4

Veri Yönetişimi ve Kapanış

Güvenli araştırma ortamı (TRE) ve erişim yetkilendirme
Denetim kayıtları, veri paylaşım anlaşmaları ve etik kurul
Kurum içi üretken YZ kullanım politikası hazırlama
Atölye: Kurum için gizlilik teknolojisi seçim matrisi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve başvuru kaynakları paylaşımı

Eğitim Kazanımları

Mevzuat Hakimiyeti — KVKK, sağlık verisi yönetmeliği, GDPR ve EHDS'nin yapay zeka projelerine getirdiği yükümlülükleri yorumlayabileceksiniz.
Tedarikçi Denetimi — Bulut ve LLM servislerinde veri aktarımı, saklama ve eğitimde kullanım koşullarını sözleşme düzeyinde sorgulayabileceksiniz.
Risk Tanıma — Yeniden kimliklendirme, üyelik çıkarımı ve model sızıntısı gibi yapay zekaya özgü gizlilik risklerini tespit edebileceksiniz.
Etki Değerlendirmesi — Sağlık verisi kullanan bir yapay zeka projesi için risk matrisi içeren etki değerlendirmesi hazırlayabileceksiniz.
Anonimleştirme — k-anonimlik gibi modellerle tablo, metin ve DICOM verilerinde anonimleştirme düzeyini ölçüp iyileştirebileceksiniz.
Diferansiyel Gizlilik — Epsilon ve gizlilik bütçesi kavramlarıyla doğruluk ile mahremiyet arasındaki dengeyi bilinçli kurabileceksiniz.
Federe Öğrenme — Veriyi merkeze taşımadan çok merkezli model eğitimi ve sentetik veri seçeneklerini doğru senaryoda önerebileceksiniz.
Yönetişim Modeli — Erişim, denetim kaydı ve kullanım politikasını içeren kurumsal bir sağlık verisi yönetişim çerçevesi oluşturacaksınız.

Kimler İçin Uygundur?

Sağlık kurumlarının veri koruma ve KVKK uyum sorumluları
bilgi güvenliği ekipleri
sağlık veri bilimcileri
klinik araştırmacılar
hukuk müşavirleri ve etik kurul üyeleri.

Sıkça Sorulan Sorular

Sağlık Verilerinde Gizlilik ve Yapay Zeka Eğitimi kimler için uygundur?

Program; sağlık kurumlarının KVKK uyum sorumluları, bilgi güvenliği ekipleri, sağlık veri bilimcileri, klinik araştırmacılar, hukuk müşavirleri ve etik kurul üyeleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün hukuki çerçeve, veri aktarımı, yapay zekaya özgü gizlilik saldırıları ve etki değerlendirmesi; ikinci gün gizliliği artıran teknolojiler ve veri yönetişimi işlenir.

Eğitim hukukçular için mi yoksa teknik ekipler için mi?

Her ikisi için. Program, hukuki yükümlülükleri teknik önlemlerle eşleştirerek uyum ve veri ekiplerinin ortak dil geliştirmesini hedefler. Teknik demolar hazır ortamlarda gösterildiği için kodlama bilgisi zorunlu değildir.

Hangi gizlilik teknolojileri ve araçları gösteriliyor?

ARX ile anonimleştirme, Microsoft Presidio ile metinde kimlik ayıklama, Opacus ile diferansiyel gizlilikli eğitim, Flower ve NVIDIA FLARE ile federe öğrenme, Synthea ve SDV ile sentetik veri üretimi örneklenir.

Eğitim hukuki danışmanlık yerine geçer mi, sertifika veriliyor mu?

Eğitim bilgilendirme amaçlıdır ve somut uyuşmazlıklar için hukuki danışmanlığın yerini tutmaz. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

SAĞLIK VERİLERİNDE GİZLİLİK VE YAPAY ZEKA EĞİTİMİ