- News
Méthodes d’anonymisation des données issues d’études longitudinales: BRIDGE soutient un nouveau projet de recherche
28.04.2023 La numérisation croissante entraine la collecte et le traitement de données à caractère personnel de plus en plus nombreuses. Celles-ci recèlent un grand potentiel pour la recherche comme pour l’industrie. Dans le cadre d’un projet BRIDGE, des équipes de recherche de la BFH et de la FHNW développent des procédés basés sur l’IA, permettant de mettre des données longitudinales à disposition de la recherche et de l’industrie de manière anonyme.
À l’ère de la transformation numérique, les données sont collectées électroniquement dans presque tous les domaines de notre vie : données de suivi des applications de réseaux sociaux, données de mouvement, données de santé ou données de consommation d’énergie mesurées par des compteurs intelligents. Dans le domaine de la recherche et du développement, ce volume et cette variété de données peuvent créer une grande valeur ajoutée. Cependant, les lois sur la protection des données limitent fortement l’exploitation des données personnelles. De nombreuses recherches ont déjà été menées par le passé pour faciliter l’utilisation anonyme de données issues d’études transversales – des études empiriques réalisées une seule fois –, de sorte que des solutions logicielles adaptées sont disponibles. Pour les études longitudinales, dans lesquelles la même enquête est réalisée à différents moments, il n’existe en revanche pas à ce jour de solution satisfaisante permettant de fournir les données sous forme anonymisée à la recherche.
Développement de méthodes d’anonymisation
C’est le défi que relèvent Murat Sariyar, de l’Institut d’informatique médicale I4MI de la Haute école spécialisée bernoise BFH, et Matthias Templ, de la Haute école spécialisée du Nord-Ouest de la Suisse FHNW, dans un projet commun. Celui-ci est soutenu par BRIDGE, un programme d’Innosuisse et du Fonds national suisse. Au cœur du projet figurent le développement et la poursuite du développement de méthodes d’anonymisation qui prennent en compte des données complexes avec des informations longitudinales. Les équipes de recherche développent ce procédé à partir de données issues du secteur de la santé et de données de mouvement dans le contexte industriel.
