Da Gesundheitsdaten jedoch immer umfangreicher und für mehrere Parteien zugänglich werden, sind sie anfällig für Angriffe auf die Privatsphäre der einzelnen Patientinnen und Patienten. Um die besonderen Schutzbelange von medizinischen personenbezogenen Daten zu berücksichtigen, besteht der im Projekt verfolgte Ansatz in der Entwicklung hoch-spezialisierter Anonymisierungslösungen vor dem Hintergrund moderner Daten-Analyse.
Die Herausforderung im Projekt besteht darin, mehrere bisher isolierte Techniken in einem einzigen integrierten Open-Source-Demonstrator zu kombinieren und zu zeigen, dass die Anonymisierungseigenschaften (Privacy-Metriken) der einzelnen Methoden beibehalten werden können und gleichzeitig eine ganzheitliche kombinierte Definition von Privatheit beziehungsweise Anonymisierung abgeleitet werden kann. Das Projektteam befasst sich insbesondere damit, Anonymisierungskombinationen zu identifizieren und zu optimieren, diese Methoden in bestehende Open-Source-Systeme einzubetten und deren Angreifbarkeit durch Maschinelles Lernen zu untersuchen.
