Surrogaatkoodit

Surrogaatkoodit ovat keinotekoisia koodeja, joita käytetään korvaamaan todellisia arvoja tietojoukoissa, jotta arkaluontoista dataa voidaan analysoida ilman suoraa tunnistettavuutta. Ne toimivat korvaavina tunnisteina alkuperäiselle tiedolle, kuten nimekkeille, osoitteille tai asiakasnumeroille. Surrogaatkoodit voivat olla deterministisiä (sama syöte samaan surrogaatkoodiin) tai non-deterministisiä (jokaisella esiintymällä voi olla uusi surrogaatkoodi). Ne voivat olla globaaleja koko dataryhmälle tai rajoitettuja tiettyyn tutkimukseen tai järjestelmään.

Käytännössä surrogaatkoodit laaditaan esimerkiksi hajautusta tai salaukseen perustuvia tokenisointeja käyttämällä, tai satunnaisia koodeja luomalla. Hajautusmenetelmät ovat tehokkaita ja säilyttävät viitteellistä eheyttä, mutta niihin liittyy reversibiliteetin riski, jos hajautusparametrit ovat vaarantuneet. Tokenisointi tuottaa epäketjuttuja (koodin) ja yhdistämiskäyttöä varten siihen liittyvä alkuperäistieto tallennetaan erilliseen, suojattuun mapping-taulukkoon. Deterministiset menetelmät mahdollistavat yhteyksien rakentamisen eri tietojoukkien välillä, mutta lisäriski on, että surrogaatkoodin tai kartoitusmuistin paljastuminen voi johtaa uudelleen-identifiointiin.

Käyttökohteita ovat tutkimusdatojen jakaminen, terveydenhuollon tiedon anonymisointi, asiakasdatan analysointi sekä GDPR:n kaltaisten tietosuoja-asetusten noudattaminen. Surrogaatkoodit mahdollistavat analyysien tekemisen ilman suoria tunnisteita, mutta eivät yksinään takaa anonymiteettiä; yhdistämällä ne muihin tietoihin voi syntyä uudelleen-identifioinnin riskejä.

Tietoturva- ja hallinnolliset näkökulmat ovat keskeisiä: pääsykartoitus toteuttajille, minimointiperiaate, auditointi ja säilytysajat. Suositellaan myös privacy impact -arviointeja ja asianmukaisia tietojen käsittelysopimuksia. See also: pseudonymization, data masking, de-identification, surrogate keys, tokenization, GDPR.