Estudio de caso que compara datos de reclamaciones de seguros de salud anonimizados y sintéticos para evaluaciones de seguridad de medicamentos

Por qué esto importa para los datos de salud cotidianos

Cada vez que visitas al médico o recoges una receta, los rastros digitales de tu atención terminan en grandes bases de datos de aseguradoras. Estos registros son minas de oro para detectar efectos secundarios raros de fármacos y mejorar guías de tratamiento, pero también son profundamente personales. Este estudio plantea una pregunta simple pero crucial: cuando intentamos proteger la privacidad de los pacientes alterando estos datos, ¿pueden los investigadores seguir confiando en los hallazgos médicos que obtienen?

Dos maneras distintas de mezclarse entre la multitud

Los investigadores se centraron en un conjunto real de reclamaciones de seguros sobre personas tratadas por coágulos en las venas (tromboembolismo venoso) que tomaron anticoagulantes junto con antiagregantes plaquetarios. Un método, llamado anonimización, conserva los registros reales pero difumina o elimina detalles para que sea más difícil identificar a las personas. El otro, datos sintéticos, entrena un modelo informático con los registros originales y luego fabrica un conjunto de datos completamente nuevo que sigue los mismos patrones generales sin reproducir personas exactas. El equipo creó tres versiones protegidas del mismo conjunto de datos: una versión anonimizada muy cautelosa que protegía todas las variables, una versión anonimizada más dirigida basada en un análisis detallado de riesgos y una versión totalmente sintética.

¿Qué tan bien igualaron las copias a los pacientes reales?

Para medir cuánto se parecían las versiones protegidas al original, los autores compararon características básicas como edad, sexo y enfermedades comunes, y también examinaron cómo se relacionaban entre sí las variables. Los datos anonimizados muy cautelosos perdieron más de un tercio de todos los registros de pacientes y eliminaron muchos indicadores de salud por completo, lo que distorsionó el equilibrio entre los grupos de tratamiento. La anonimización basada en el modelado de amenazas eliminó menos registros y preservó la mayoría de los patrones con mayor fidelidad. Los datos sintéticos conservaron el número original de pacientes y capturaron muchos patrones bien, pero a veces desplazaron las proporciones para ciertas condiciones o exposiciones a fármacos. Cuando el equipo aplicó comprobaciones estadísticas más avanzadas, la anonimización basada en amenazas y los datos sintéticos mostraron una fuerte similitud global con el original, mientras que la anonimización muy estricta fue la que menos se parecía a los datos de origen.

¿Se pudo reproducir el estudio original de seguridad?

La cuestión clínica original detrás de estos datos era si una clase de anticoagulantes orales directos era más segura o más arriesgada que los antagonistas de la vitamina K más antiguos cuando se combinaban con antiagregantes plaquetarios. El estudio analizó dos resultados: muertes por cualquier causa y episodios de hemorragia mayor. Usando cada conjunto de datos protegido, los investigadores volvieron a ejecutar los mismos análisis de tiempo hasta el evento que estiman cuánto cambia el riesgo un tratamiento respecto al otro. Todas las estimaciones de razón de riesgos que pudieron calcularse cayeron dentro del intervalo de incertidumbre del estudio original, lo que sugiere que no invirtieron fundamentalmente la conclusión médica. Pero la versión de anonimización estricta perdió tantos eventos que algunos riesgos de hemorragia no pudieron estimarse en absoluto y la incertidumbre estadística se disparó. La anonimización dirigida y los datos sintéticos funcionaron mejor, pero aún así desplazaron las estimaciones de riesgo y ensancharon los intervalos de error, especialmente para eventos hemorrágicos raros.

¿Qué tan seguros están los conjuntos de datos protegidos frente a miradas indiscretas?

A continuación, el equipo se preguntó qué tan difícil sería para un atacante decidido reidentificar a alguien o inferir detalles de salud sensibles. Utilizaron pruebas de “red team” de última generación que intentan vincular registros con información externa, señalar individuos, adivinar atributos faltantes o detectar si el registro de una persona se usó para construir el conjunto de datos en primer lugar. Frente a los datos originales, estos ataques tuvieron mucho éxito, lo que subraya la necesidad de protección adicional antes de cualquier compartición más amplia. Las tres versiones protegidas redujeron drásticamente estos riesgos de privacidad tanto en un escenario realista con un atacante limitado como en un escenario agresivo de peor caso. La anonimización estricta ofreció la protección más fuerte en general, pero a costa de la mayor pérdida de información. La anonimización basada en amenazas y los datos sintéticos proporcionaron un equilibrio más razonable, aunque cada uno mostró pequeños puntos donde ciertos atributos o registros inusuales estaban algo más expuestos.

Qué significa esto para el uso de datos de salud protegidos

Para este conjunto de reclamaciones pequeño pero complejo, ninguna estrategia de protección ganó claramente en todos los frentes. Una mayor privacidad casi siempre fue acompañada por una señal científica más débil, especialmente para eventos raros que importan en estudios de seguridad. Los autores concluyen que tanto una anonimización cuidadosamente diseñada como datos sintéticos bien ejecutados pueden hacer que los datos de seguros sean mucho más seguros para compartir, pero que los conjuntos de datos protegidos de este tamaño son más adecuados para probar métodos y realizar comprobaciones de viabilidad, no para extraer conclusiones clínicas finales. Siempre que sea posible, los hallazgos médicos clave deberían seguir confirmándose en los datos originales, gobernados estrictamente, usando las versiones protegidas como herramientas complementarias en lugar de reemplazos completos.

Cita: Halilovic, M., Meurers, T., Alibone, M. et al. A case study comparing anonymized and synthetic health insurance claims data for medication safety assessments. npj Digit. Med. 9, 321 (2026). https://doi.org/10.1038/s41746-026-02622-5

Palabras clave: privacidad de datos de salud, datos sintéticos, anonimización de datos, investigación de reclamaciones de seguros, seguridad de medicamentos