Gestión y depósito de datos científicos: Anonimiza tus datos

Los datos anónimos son datos que no guardan relación con una persona física identificada o identificable. Por otra parte, los datos anonimizados son datos personales convertidos en anónimos de forma que el interesado no sea identificable.

Los datos anónimos y los datos anonimizados no son datos personales y, por tanto, no están sujetos a la protección de datos personales (RGPD, considerando 26).

La anonimización es un proceso que trata de encontrar el equilibrio adecuado entre la reducción del riesgo de reidentificación (por debajo de un determinado umbral) y el mantenimiento de la utilidad de un conjunto de datos para los fines previstos.

Aunque una anonimización del 100% es el objetivo más deseable desde el punto de vista de la protección de los datos personales, en algunos casos no es posible y debe contemplarse un riesgo residual de reidentificación. Cualquier proceso sólido de anonimización evaluará el riesgo de reidentificación, que debe gestionarse y controlarse a lo largo del tiempo  

El RGPD diferencia la anonimización de la seudonimización:

• Anonimización. Proceso irreversible en el que los individuos no pueden ser identificados o reidentificados.
• Seudonimización. Los datos no pueden atribuirse a un individuo pero existe información adicional almacenada en un lugar seguro que podría utilizarse para identificar a los individuos.

Los datos seudonimizados sí se consideran datos personales y es necesario tomar las medidas de protección necesarias.

La Agencia Española de Protección de Datos ha elaborado una guía con los 10 malentendidos relacionados con la anonimización:

1. La seudonimización NO es lo mismo que la anonimización.
2. El cifrado NO es anonimización
3. NO todos los datos pueden anonimizarse. 
4. La anonimización NO es permantente. Puede ser necesario revisar las medidas de anonimización a lo largo del tiempo.
5. El riesgo de reidentificación NUNCA es cero
6. La anonimización NO es un concepto binario y puede medirse
7. La anonimización NO debe ser totalmente automática
8. La anonimización NO inutiliza los datos
9. Los procesos de anonimización NO son siempre iguales para todos los proyectos
10. NO hay riesgo o interés en los datos personales

La k-anonimidad es una herramienta que nos ayuda a disminuir el riesgo de reidentificación de los individuos a través de sus cuasi-identificadores. La K-anonimidad permite cuantificar hasta qué punto se preserva la anonimidad de los sujetos presentes en un conjunto de datos en el que se han eliminado los identificadores.

Por ejemplo, en determinados conjuntos poblacionales, podría reidentificarse ciertos individuos al combinar cuasi-identificadores como el género, la fecha de nacimiento o el código postal

Fuente: Manolis Terrovitis - Amnesia Webinar June 2020

Según la Agencia Española de Protección de Datos, "se dice que un individuo es k-anónimo dentro del conjunto de datos en el que se encuentra incluido si, y sólo si, para cualquier combinación de los atributos cuasi-identificadores asociados, existen al menos otros k − 1 individuos que comparten con él los mismos valores para esos mismos atributos."

Es decir, la k-anonimidad permite la creación de grupos de individuos que no se diferencian entre sí en una serie de cuasi-identificadores:

Fuente: Manolis Terrovitis - Amnesia Webinar June 2020

Los métodos más comunes para lograr cierta k-anonimidad son la generalización  a través de jerarquías o, en su caso, la supresión de datos.

La Agencia Española de Protección de Datos recomienda un umbral entre 3 y 5. Es necesario analizar en cada caso dependiendo del tamaño de la población identificable, las variables escogidas, etc.

La guía básica de anonimización, elaborada por Autoridad Nacional de Protección de Datos de Singapur y traducida por la Agencia Española de Protección de Datos recomienda las siguientes herramientas:

• Amensia. La herramienta de anonimización de Amnesia es un software utilizado localmente para anonimizar datos personales y confidenciales. Actualmente admite garantías de k-anonimidad y km-anonimidad.
• ARGUS. La herramienta utiliza una amplia gama de diferentes métodos de anonimización estadística, como la recodificación global (agrupación de categorías), la supresión local, la aleatorización, la adición de ruido, la micro agregación, la codificación superior e inferior. También se puede utilizar para generar datos sintéticos.
• ARX. ARX es un software de código abierto para anonimizar datos personales confidenciales-
• Eclipse. Eclipse es un conjunto de herramientas de Privacy Analytics que facilita la anonimización de los datos de salud.
• sdcMicro. Paquete de R que se utiliza para generar microdatos anonimizados, como archivos de uso público y científico. Admite diferentes métodos de estimación de riesgos.
• UTD Anonymisation Toolbox. UT Dallas Data Security and Privacy Lab compiló varias técnicas de anonimización en una caja de herramientas para uso público.

Además, existen herramientas que usan la inteligencia artificial (IA) y el procesamiento del lenguaje natural (LNP) para la anonimización automática:

• Presido (Microsoft)
• Scubadub (librería de Python)

Es importante recordar que la Agencia Española de Protección de Datos remarca la importancia de la intervención humana en todos los procesos de anonimización y que la vulneración de los derechos de las personas interesadas en materia de protección de datos personales puede constituir infracciones graves o muy graves (Ley Orgánica de la Protección de Datos Personales).

Amnesia es una aplicación de software de código abierto elaborado en el marco del proyecto OpenAIRE. Está destinada a la anonimización de datos personales.

Amnesia permite filtrar datos, crear máscaras y jerarquías de generalización La plataforma de Amnesia cuenta además con recursos y tutoriales.

• Documentación de Amnesia
• Webinars en inglés (canal de OpenAire)