anonymisation/docs/conformite-rgpd-ia-act.md

Conformite reglementaire — Programme d'anonymisation de documents medicaux

1. Description du systeme

1.1 Finalite

Le programme realise l'anonymisation automatique de documents medicaux (comptes-rendus d'hospitalisation, courriers medicaux, ordonnances, resultats d'examens) au format PDF. Il detecte et masque les donnees a caractere personnel (DCP) contenues dans ces documents pour permettre leur utilisation dans un cadre de controle T2A (Tarification a l'Activite) sans exposition des donnees patients.

1.2 Fonctionnement technique

Le pipeline se decompose en 5 phases sequentielles :

1. Extraction de texte : extraction layout-aware du contenu textuel du PDF (PyMuPDF, pdfplumber, pdfminer, docTR OCR pour les documents scannes)
2. Detection par regles : expressions regulieres et gazetteers (INSEE, BDPM, FINESS) pour identifier les PII structures (NIR, telephones, adresses, dates de naissance, noms d'etablissements)
3. Detection par NER multi-moteurs : trois modeles de reconnaissance d'entites nommees fonctionnent en vote croise :
   • EDS-Pseudo (CamemBERT, NLP clinique francais)
   • GLiNER (NER zero-shot)
   • CamemBERT-bio-deid v3 (fine-tune sur corpus clinique, F1=0.96)
4. Remplacement : chaque DCP detectee est remplacee par un placeholder generique et categorise ([NOM], [DATE_NAISSANCE], [ADRESSE], [TEL], [NIR], etc.)
5. Caviardage PDF : generation d'un PDF anonymise au format image (rasterisation)

1.3 Formats de sortie

Sortie	Format	Description
PDF caviardes	PDF image (raster)	Chaque page est convertie en image haute resolution (300 DPI), les zones contenant des DCP sont recouvertes de rectangles noirs, puis le PDF est reconstruit a partir des images. Le texte sous-jacent est detruit — aucune extraction de texte n'est possible sur le document de sortie.
Texte pseudonymise	.pseudonymise.txt	Version texte avec placeholders ([NOM], [DATE_NAISSANCE], etc.)
Journal d'audit	.audit.jsonl	Trace des detections pour controle qualite (contient les valeurs originales — document sensible)

1.4 Caracteristique cle : irreversibilite du caviardage PDF

Le format de sortie principal est un PDF raster (image). Ce choix technique garantit :

• Destruction physique des donnees : le texte original est remplace par des pixels. Aucun calque texte, aucune metadonnee textuelle ne subsiste.
• Resistance aux attaques d'extraction : contrairement a un caviardage vectoriel (annotation PDF), le caviardage raster ne peut pas etre "devoile" en supprimant un calque d'annotation.
• Irreversibilite totale : meme avec un acces complet au systeme, il est impossible de reconstituer les DCP a partir du PDF de sortie.

---

2. Conformite RGPD (Reglement UE 2016/679)

2.1 Qualification juridique : pseudonymisation vs anonymisation

Le RGPD distingue deux traitements (article 4 §5 et considerant 26) :

Critere	Pseudonymisation	Anonymisation
Definition	Traitement rendant les donnees non attribuables sans information supplementaire	Traitement rendant l'identification impossible de maniere irreversible
Statut RGPD	Reste une donnee personnelle	N'est plus une donnee personnelle
Notre systeme	Texte .pseudonymise.txt + audit .jsonl	PDF raster caviardes

Position du systeme :

• Le PDF raster de sortie constitue une anonymisation au sens du RGPD : les DCP sont physiquement detruites (remplacement par pixels noirs), sans possibilite de re-identification, meme par le responsable de traitement.
• Le fichier texte (.pseudonymise.txt) constitue une pseudonymisation : les DCP sont remplacees par des placeholders generiques, mais le journal d'audit conserve les correspondances.
• Le journal d'audit (.audit.jsonl) contient les valeurs originales des DCP detectees et doit etre traite comme une donnee sensible.

2.2 Base legale du traitement (article 6)

Le traitement de pseudonymisation/anonymisation peut s'appuyer sur :

• Article 6.1.c : obligation legale (controle T2A imposant la transmission de documents justificatifs)
• Article 6.1.e : mission d'interet public (amelioration de la qualite des soins)
• Article 6.1.f : interet legitime (protection des donnees patients lors de la transmission)

Pour les donnees de sante (article 9), le traitement est autorise au titre de :

• Article 9.2.h : medecine preventive, diagnostic medical, gestion des systemes de sante
• Article 9.2.j : finalites de recherche et statistiques (avec garanties de l'article 89)

2.3 Principes du RGPD respectes

Principe	Article	Mise en oeuvre
Minimisation	Art. 5.1.c	Seules les DCP strictement necessaires sont traitees. Le systeme ne collecte aucune donnee supplementaire. Les PDF originaux ne sont pas copies — le traitement est effectue in situ.
Limitation de la conservation	Art. 5.1.e	Le programme ne stocke aucune donnee personnelle de maniere persistante. Les donnees traitees sont en memoire vive uniquement pendant le traitement. Aucun fichier temporaire sur disque.
Integrite et confidentialite	Art. 5.1.f	Traitement local exclusivement (aucun envoi vers le cloud ou service tiers). Modeles d'IA embarques, inference CPU locale.
Protection des donnees des la conception (Privacy by Design)	Art. 25.1	Architecture pensee pour l'irreversibilite : le format de sortie PDF raster detruit physiquement les donnees. Pas de mecanisme de reversibilite, pas de cle de chiffrement, pas de table de correspondance persistante.
Protection par defaut	Art. 25.2	Le mode de sortie par defaut est le caviardage raster (le plus protecteur). Les placeholders sont generiques et non individualisants (tous les noms deviennent [NOM], sans numerotation).

2.4 Droits des personnes concernees

Droit	Application
Information (Art. 13-14)	Les personnes doivent etre informees que leurs documents font l'objet d'un traitement d'anonymisation dans le cadre du controle T2A.
Acces (Art. 15)	Applicable sur les documents originaux (avant anonymisation). Non applicable sur les PDF anonymises (donnees detruites).
Rectification (Art. 16)	Applicable sur les documents originaux. Le systeme d'anonymisation ne modifie pas le contenu medical, uniquement les identifiants.
Effacement (Art. 17)	Le journal d'audit (.audit.jsonl) contenant les valeurs originales doit etre supprime apres la periode de controle qualite.
Opposition (Art. 21)	Le traitement d'anonymisation en vue du controle T2A releve d'une obligation legale ; le droit d'opposition est limite.

2.5 Analyse d'impact (AIPD / DPIA)

Une AIPD est obligatoire (article 35) car le traitement :

• Porte sur des donnees de sante a grande echelle
• Utilise des technologies innovantes (NER, modeles de langage)
• Concerne des personnes vulnerables (patients)

L'AIPD devra documenter :

• Les mesures techniques (multi-moteurs NER, vote croise, caviardage raster)
• Les mesures organisationnelles (acces restreint, suppression des audits)
• Les risques residuels (faux negatifs potentiels : DCP non detectees)

2.6 Gestion du journal d'audit

Le fichier .audit.jsonl constitue un traitement de donnees personnelles de sante a part entiere. Recommandations :

• Acces restreint : seul le responsable qualite doit y acceder
• Duree de conservation limitee : suppression apres validation du lot anonymise
• Chiffrement au repos recommande
• Non-transmission : ne jamais transmettre le journal d'audit avec les documents anonymises

---

3. Conformite AI Act (Reglement UE 2024/1689)

3.1 Classification du systeme

L'AI Act classe les systemes d'IA en 4 niveaux de risque :

Niveau	Exemples	Notre systeme
Inacceptable	Notation sociale, manipulation subliminale	Non concerne
Eleve (Annexe III)	Biometrie, diagnostic medical, decisions judiciaires	Non concerne (voir justification ci-dessous)
Limite	Chatbots, deepfakes	Non concerne
Minimal	Filtres anti-spam, jeux video	Classification retenue

3.2 Justification : systeme a risque minimal

Le systeme d'anonymisation n'est pas un systeme a haut risque au sens de l'Annexe III car :

1. Il n'est pas un dispositif medical : il ne realise aucun diagnostic, aucune aide a la decision clinique, aucune prediction medicale. Il ne traite que les identifiants, pas le contenu medical.
2. Il ne releve d'aucune categorie de l'Annexe III : pas de biometrie, pas de recrutement, pas de notation de credit, pas d'application de la loi, pas de gestion de l'immigration, pas d'administration de la justice.
3. Il remplit les conditions d'exemption de l'article 6 §3 :
   • Il execute une tache procedurale etroite (detection et remplacement de motifs textuels)
   • Il ameliore le resultat d'une activite humaine prealable (le controle qualite humain reste l'etape finale)
   • Il effectue une tache preparatoire (preparation de documents pour transmission)
4. Sa finalite est la protection des donnees, non leur exploitation. Il reduit le risque sur les droits fondamentaux au lieu de l'augmenter.

3.3 Obligations applicables (risque minimal)

Meme en risque minimal, l'AI Act recommande (article 69) :

Obligation	Mise en oeuvre
Transparence	Documentation technique disponible (architecture, modeles utilises, performances). Le fichier VERSION.json trace les versions des modeles et leurs metriques.
Qualite des donnees d'entrainement	Donnees d'entrainement issues de documents reels anonymises (silver annotations). Augmentation par gazetteers INSEE et BDPM. Hard negatives QUAERO.
Supervision humaine	Le systeme produit des documents anonymises qui sont toujours soumis a un controle humain avant transmission. Score qualite mesure automatiquement (96.3/100).
Tracabilite	Journal d'audit detaille par document (type de DCP, valeur originale, methode de detection).

3.4 Calendrier d'application

Date	Etape	Impact
Fevrier 2025	Interdictions (risque inacceptable)	Non concerne
Aout 2025	Obligations IA a usage general (GPAI)	Non concerne (modele specialise, pas GPAI)
Aout 2026	Application complete (systemes a haut risque)	Non concerne (risque minimal)

---

4. Mesures techniques de conformite

4.1 Traitement local exclusif

Mesure	Detail
Aucun appel cloud	Tous les modeles d'IA (EDS-Pseudo, GLiNER, CamemBERT-bio) fonctionnent en local sur CPU
Aucune API externe	Pas d'envoi de donnees vers OpenAI, Google, Anthropic ou autre service tiers
Pas de telemetrie	Le programme ne collecte aucune statistique d'usage, aucun log distant
Environnement controle	Fonctionne sur poste local securise, reseau interne

4.2 Securite du traitement

Mesure	Detail
Memoire vive uniquement	Les DCP ne transitent que par la RAM pendant le traitement. Aucun fichier temporaire sur disque.
Pas de base de donnees	Aucune BDD locale ou distante ne stocke les DCP traitees
Pas de reversibilite	Aucune cle de chiffrement, aucune table de correspondance, aucun mecanisme de de-anonymisation
Placeholders generiques	Tous les noms deviennent [NOM] (pas de [NOM_1], [NOM_2]) — empeche la re-identification par croisement

4.3 Multi-moteurs et vote croise

L'utilisation de 3 moteurs NER independants en vote croise est une mesure de fiabilite :

• Reduit le risque de faux negatifs (DCP non detectee) : si un moteur rate une entite, les deux autres peuvent la rattraper
• Reduit le risque de faux positifs (terme medical masque a tort) : le vote majoritaire empeche un moteur isole de masquer un terme medical courant
• Le score de qualite mesure (96.3/100) quantifie le risque residuel

4.4 Format de sortie : caviardage raster

Le choix du PDF raster (image) comme format de sortie principal est une mesure de protection maximale :

Document original (PDF texte)
    |
    v
[Extraction texte] → [Detection PII] → [Remplacement par placeholders]
    |
    v
[Rasterisation 300 DPI] → [Rectangles noirs sur zones PII] → [Reconstruction PDF image]
    |
    v
Document anonymise (PDF image — texte irrecuperable)

Garanties :

• Le texte sous-jacent est physiquement absent du fichier PDF de sortie
• Les rectangles noirs sont des pixels, pas des annotations supprimables
• La resolution (300 DPI) preserve la lisibilite du contenu medical non masque
• Un filigrane optionnel identifie le document comme anonymise

---

5. Risques residuels et mesures d'attenuation

Risque	Probabilite	Impact	Attenuation
Faux negatif : DCP non detectee passant dans le document de sortie	Faible (recall 97%)	Eleve	Vote croise 3 moteurs, gazetteers INSEE/FINESS, controle humain post-traitement, score qualite automatise
Faux positif : terme medical masque a tort reduisant la lisibilite	Moyen	Faible	Vote croise, stop words medicaux (BDPM, QUAERO), precision 96%
Journal d'audit compromis	Faible	Eleve	Acces restreint, suppression apres validation, chiffrement recommande
Document original non supprime	Moyen	Eleve	Procedure organisationnelle de suppression apres validation du lot

---

6. Synthese de conformite

Reglementation	Statut	Commentaire
RGPD — Minimisation	Conforme	Aucune collecte supplementaire, traitement en memoire vive
RGPD — Privacy by Design	Conforme	Irreversibilite par conception (PDF raster)
RGPD — Securite	Conforme	Traitement 100% local, pas de cloud, pas de BDD
RGPD — Droits des personnes	Conforme	Applicable sur documents originaux, non applicable sur sorties anonymisees
RGPD — AIPD	A realiser	Obligatoire (donnees de sante + technologie innovante)
RGPD — Journal d'audit	Attention	Contient des DCP — traiter comme donnee sensible
AI Act — Classification	Risque minimal	Ne releve pas de l'Annexe III (pas de DM, pas de decision)
AI Act — Transparence	Conforme	Documentation technique, versioning des modeles, metriques
AI Act — Supervision humaine	Conforme	Controle humain systematique avant transmission

---

Document etabli le 11 mars 2026 — Version 1.0